支持向量機(jī)及其在手寫(xiě)數(shù)字識(shí)別中的應(yīng)用.pdf

1、支持向量機(jī)（Support Vector Machine，SVM）是一種新興的機(jī)器學(xué)習(xí)方法，在近些年進(jìn)展非常迅速，研究結(jié)果表明，該方法可以應(yīng)用于多個(gè)領(lǐng)域，并且具有廣闊的應(yīng)用潛能。SVM集成了最大間隔超平面、凸二次規(guī)劃、Mercer核和松弛變量等多項(xiàng)技術(shù)。在信號(hào)處理、圖像識(shí)別和基因圖譜識(shí)別等挑戰(zhàn)性的應(yīng)用中，SVM獲得了目前為止最好的性能，并顯示了它的優(yōu)勢(shì)。
　　手寫(xiě)數(shù)字識(shí)別是處理一些數(shù)據(jù)信息的核心技術(shù)，比如：統(tǒng)計(jì)報(bào)表、郵政編碼、銀行

2、票據(jù)等錄入的數(shù)據(jù)信息。因此，該領(lǐng)域的研究具有重大的應(yīng)用意義。SVM在手寫(xiě)數(shù)字識(shí)別中的關(guān)鍵在于數(shù)字圖像預(yù)處理和SVM核函數(shù)的選取。低維空間向量集通常不易劃分，核函數(shù)能夠很好地解決這個(gè)問(wèn)題。換句話說(shuō)，若想得到高維空間的分類(lèi)函數(shù)，需要選用適當(dāng)?shù)暮撕瘮?shù)。在SVM理論中，使用不同的核函數(shù)將得到不同的SVM算法。因此，在SVM分類(lèi)識(shí)別中應(yīng)注重參數(shù)和SVM核函數(shù)的優(yōu)化及樣本的特征選擇，參數(shù)優(yōu)化主要針對(duì)C和s兩個(gè)參數(shù)。
　　本文主要研究了SVM核

3、函數(shù)的參數(shù)優(yōu)化方法的選取。首先對(duì)三種主流參數(shù)優(yōu)化算法：網(wǎng)格搜索法、GA、PSO算法，在識(shí)別精度等方面進(jìn)行比較。相比之下，PSO算法所得到的結(jié)果最優(yōu)。因此，本文選用該算法進(jìn)行參數(shù)優(yōu)化。進(jìn)而提出基于改進(jìn)的PSO-LSSVM的手寫(xiě)數(shù)字識(shí)別方法，此方法兼顧了改進(jìn)的PSO和LSSVM的優(yōu)點(diǎn)。本文利用Libsvm加強(qiáng)工具箱和改進(jìn)的PSO-LSSVM模型進(jìn)行手寫(xiě)數(shù)字識(shí)別。首先用改進(jìn)的PSO進(jìn)行參數(shù)優(yōu)化，然后用LSSVM進(jìn)行手寫(xiě)數(shù)字識(shí)別，該方法不僅提高