基于支持向量機(jī)的車輛識(shí)別和地震預(yù)測(cè)研究.pdf

1、統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory, 簡(jiǎn)稱SLT）是由Vapnik等人提出的可應(yīng)用于小樣本分析的統(tǒng)計(jì)理論。支持向量機(jī)（Support Vector Machine，簡(jiǎn)稱SVM）是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種新的機(jī)器學(xué)習(xí)方法。它遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，克服了基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化學(xué)習(xí)方法（如貝葉斯分類器、決策樹和人工神經(jīng)網(wǎng)絡(luò)等）泛化能力較差的缺點(diǎn)，并已在很多研究領(lǐng)域得到了廣泛的應(yīng)用。 本文利用支持向量機(jī)分別

2、根據(jù)車輛的輪廓特征、車輛運(yùn)行時(shí)所產(chǎn)生的聲波和地表震動(dòng)信號(hào)特征進(jìn)行車輛識(shí)別，并分析和比較了不同的特征提取和選擇方法對(duì)分類準(zhǔn)確率的影響，同時(shí)比較了支持向量機(jī)和其它分類器的分類能力。 本文首次提出并應(yīng)用支持向量機(jī)進(jìn)行了地震預(yù)測(cè)研究。 以下是本文的主要內(nèi)容： （1） 對(duì)目前使用的特征提取和選擇方法進(jìn)行了綜述，介紹了遺傳算法(GA)、主成分分析法(PCA)、獨(dú)立成分分析法(ICA)、獨(dú)立主元分析法、粒子群尋優(yōu)算法(PSO)

3、、模擬退火算法(SA)和其他常用的特征提取和選擇方法的算法、及其優(yōu)點(diǎn)和缺點(diǎn)。 （2）介紹了幾種常用的分類方法的分類原理。包括貝葉斯分類器、決策樹和人工神經(jīng)網(wǎng)絡(luò)。對(duì)支持向量機(jī)的分類原理進(jìn)行了詳細(xì)的敘述，并介紹其算法、實(shí)現(xiàn)、發(fā)展和在相關(guān)領(lǐng)域中的應(yīng)用。 （3）分別利用車輛輪廓特征、聲音信號(hào)和地表震動(dòng)信號(hào)，結(jié)合支持向量機(jī)分類原理，對(duì)車輛類型進(jìn)行了分類研究。分析了不同特征提取和特征選擇方法對(duì)分類準(zhǔn)確率的影響。同時(shí)對(duì)不同分類器的分類

4、性能進(jìn)行了比較。結(jié)果表明: 支持向量機(jī)的分類準(zhǔn)確率明顯高于其他分類器；PCA降維能力優(yōu)于GA，且耗時(shí)遠(yuǎn)小于GA。但是，在同種分類器下，利用PCA進(jìn)行特征選擇得到的測(cè)試集和獨(dú)立集的分類準(zhǔn)確率低于GA。將PCA和GA分別選出的特征向量合并后進(jìn)行分類所得到的準(zhǔn)確率均高于單獨(dú)利用其中任何一種特征選擇方法的（PCA或GA）。 （4）針對(duì)車輛聲音信號(hào)和地表震動(dòng)信號(hào)的特征，提出了一種基于能譜密度的特征選擇方法。該方法能重構(gòu)聲音和地表震動(dòng)信號(hào)的

5、特征向量。研究結(jié)果表明, 采用該方法在不降低分類效果的同時(shí),還能有效地減少特征向量的維數(shù)和提高分類準(zhǔn)確率。 （5）基于支持向量機(jī),根據(jù)地震發(fā)生前后地表震動(dòng)信號(hào)對(duì)發(fā)生在美國(guó)加利弗里亞中部的兩次大地震進(jìn)行了地震預(yù)測(cè)研究，分析了地震動(dòng)信號(hào)的地域性，研究了地震動(dòng)信號(hào)和地震發(fā)生的時(shí)間、地點(diǎn)和震級(jí)之間的關(guān)系。研究結(jié)果表明:震前SVM監(jiān)測(cè)模型能在震前24小時(shí)內(nèi)監(jiān)測(cè)到震前地震波。隨著地震的臨近，監(jiān)測(cè)到震前地震波的幾率越高（達(dá)70％~90％）；在