支持向量機(jī)算法研究及其在智能交通系統(tǒng)中的應(yīng)用.pdf

1、傳統(tǒng)統(tǒng)計(jì)學(xué)研究的是樣本數(shù)目趨于無窮大時(shí)的漸進(jìn)理論,而統(tǒng)計(jì)學(xué)習(xí)理論研究的是小樣本條件下的學(xué)習(xí)理論.由于實(shí)際的樣本數(shù)量是有限的,因而在理論上統(tǒng)計(jì)學(xué)習(xí)理論有其優(yōu)越性.基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的支持向量機(jī)不僅模型結(jié)構(gòu)簡(jiǎn)單,而且具有良好的泛化能力.因此,其受到了廣泛的關(guān)注,并逐漸成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)之一. 隨著通信、信息與電子工程以及計(jì)算機(jī)技術(shù)的快速發(fā)展,智能交通系統(tǒng)越來越受到廣泛重視,從而對(duì)車型識(shí)別、車牌識(shí)別和交通流預(yù)

2、測(cè)等技術(shù)提出了更高要求.本文以支持向量機(jī)為基礎(chǔ),對(duì)模式識(shí)別和回歸分析的基本算法及其在智能交通系統(tǒng)中應(yīng)用進(jìn)行了廣泛的研究. 本文的主要工作以及成果包括: (1)在中心型支持向量機(jī)基礎(chǔ)上,吸取了解決各類別樣本數(shù)量不均衡和增量學(xué)習(xí)的思想與方法,定義了一種新的權(quán)系數(shù)矩陣,并結(jié)合多類別分類問題,提出了均衡增量型多類別分類算法.實(shí)驗(yàn)結(jié)果表明該算法具有較高的穩(wěn)定性和判別精度. (2)通過對(duì)幾種多類別分類算法的研究,分析了這些算

3、法的優(yōu)缺點(diǎn),并結(jié)合霍夫曼樹,提出了一種基于霍夫曼決策樹的多類別分類算法.最后在多種開放式數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn),結(jié)果驗(yàn)證了該算法不僅具有較高判別精度,而且訓(xùn)練效率非常高. (3)首先比較系統(tǒng)地對(duì)支持向量機(jī)回歸的理論和基本實(shí)現(xiàn)進(jìn)行研究,然后分析了v-SVR的優(yōu)點(diǎn)與不足,并提出v-ESVR算法.實(shí)驗(yàn)結(jié)果表明該算法可以有效地進(jìn)行非線性系統(tǒng)建模；具有與v-SVR算法相類似的特性；另外,其對(duì)偶模型非常簡(jiǎn)單,可以較方便地設(shè)計(jì)增量學(xué)習(xí)和在線回歸