支持向量機及其在手寫數(shù)字識別中的應(yīng)用.pdf

1、支持向量機（Support Vector Machine，SVM）是一種新興的機器學(xué)習(xí)方法，在近些年進展非常迅速，研究結(jié)果表明，該方法可以應(yīng)用于多個領(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技術(shù)。在信號處理、圖像識別和基因圖譜識別等挑戰(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。
　　手寫數(shù)字識別是處理一些數(shù)據(jù)信息的核心技術(shù)，比如：統(tǒng)計報表、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在手寫數(shù)字識別中的關(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問題。換句話說，若想得到高維空間的分類函數(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分類識別中應(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C和s兩個參數(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。首先對三種主流參數(shù)優(yōu)化算法：網(wǎng)格搜索法、GA、PSO算法，在識別精度等方面進行比較。相比之下，PSO算法所得到的結(jié)果最優(yōu)。因此，本文選用該算法進行參數(shù)優(yōu)化。進而提出基于改進的PSO-LSSVM的手寫數(shù)字識別方法，此方法兼顧了改進的PSO和LSSVM的優(yōu)點。本文利用Libsvm加強工具箱和改進的PSO-LSSVM模型進行手寫數(shù)字識別。首先用改進的PSO進行參數(shù)優(yōu)化，然后用LSSVM進行手寫數(shù)字識別，該方法不僅提高