多核支持向量機(jī)及其在人臉識(shí)別中的應(yīng)用.pdf

1、支持向量機(jī)(support vector machine,SVM)是建立在核函數(shù)基礎(chǔ)上的機(jī)器學(xué)習(xí)算法,在模式識(shí)別,模式回歸等領(lǐng)域有著廣泛的應(yīng)用。不同的核函數(shù),同一核函數(shù)不同的核參數(shù),對(duì)于SVM泛化能力的影響是顯著的,在一些復(fù)雜的問(wèn)題中,特別是數(shù)據(jù)具有異構(gòu)性,樣本分布不平坦的情況下,單一核函數(shù)已經(jīng)難以滿足問(wèn)題的需要,近些年來(lái)有學(xué)者提出來(lái)多核支持向量機(jī)算法,多核支持向量機(jī)算法通過(guò)將這些核函數(shù)組合起來(lái)學(xué)習(xí),得到更高的泛化能力。傳統(tǒng)的多核支持向

2、量機(jī)的合成核函數(shù)構(gòu)造中,其核函數(shù)的權(quán)系數(shù)是常數(shù),無(wú)法體現(xiàn)局部信息,局部多核支持向量機(jī)算法(LMKL)是一種變系數(shù)的多核支持向量機(jī)算法,其利用選通函數(shù)局部的選取合適的合成核函數(shù),但是,其選通函數(shù)有嚴(yán)重的參數(shù)沉余的問(wèn)題,為此,本文提出來(lái)改進(jìn)的局部多核支持向量機(jī)算法(ILMKL),在其目標(biāo)函數(shù)中加入正則項(xiàng),區(qū)別于 LMKL中選通函數(shù)的l1范數(shù)形式,本文使用選通函數(shù)的l p范數(shù)形式,增強(qiáng)核函數(shù)間的“互補(bǔ)”作用。
　　人臉圖像的特征提取是進(jìn)

3、行識(shí)別工作的一個(gè)前提,特征提取的好壞直接影響識(shí)別工作的結(jié)果,而分類器的設(shè)計(jì)是人臉識(shí)別工作的核心,因此,本文重點(diǎn)研究人臉識(shí)別中的特征提取和分類器的設(shè)計(jì),在特征提取階段,主要使用基于代數(shù)特征的方法中典型的主成分分析法(PCA)和基于頻率域特征中典型的小波分解方法,在分類器設(shè)計(jì)階段,分別使用SimpleMKL,LMKL和本文提出的ILMKL算法作為分類器。實(shí)驗(yàn)選用UCI數(shù)據(jù)庫(kù)和ORL人臉庫(kù)來(lái)驗(yàn)證ILMKL算法的有效性,實(shí)驗(yàn)結(jié)果表明,提出的IL