基于判別公共矢量的模式識(shí)別技術(shù)及其應(yīng)用研究——SVM改進(jìn)算法在噪音人臉分類中的應(yīng)用.pdf

1、在計(jì)算機(jī)科研領(lǐng)域,眾多科研人員都希望計(jì)算機(jī)具有人類的智能,并為此展開了研究,模式識(shí)別技術(shù)便在這種情況下產(chǎn)生。人類在平時(shí)生活中經(jīng)常需要做出判斷,這種判斷對(duì)人來說再普通不過,但對(duì)計(jì)算機(jī)來說,卻是非常復(fù)雜的模式識(shí)別問題。我們研究復(fù)雜問題的一般方法是從基礎(chǔ)入手,然后逐漸深入,最終達(dá)到預(yù)期的研究效果。分類是最基礎(chǔ)的模式識(shí)別技術(shù),研究分類對(duì)模式識(shí)別技術(shù)的研究有著極其重要的意義。支持向量機(jī)作為一種非常優(yōu)秀的分類算法,近年來已經(jīng)成為模式識(shí)別技術(shù)中的一個(gè)

2、重要研究方向。
　　 本論文在研究了國(guó)內(nèi)外眾多改進(jìn)的支持向量機(jī)算法后,針對(duì)支持向量機(jī)抗噪性能不強(qiáng)的缺點(diǎn),將公共矢量(Common Vectors,CVs)引入了支持向量機(jī)中,提出了三種具有較強(qiáng)分類性能和抗噪性能的新算法,并通過實(shí)驗(yàn)證明。本論文的工作重點(diǎn)是:
　　 第一部分是緒論部分,簡(jiǎn)要介紹了模式識(shí)別技術(shù)的研究現(xiàn)狀以及應(yīng)用領(lǐng)域。并對(duì)標(biāo)準(zhǔn)支持向量機(jī)現(xiàn)有的理論和算法進(jìn)行了回顧。
　　 第二部分介紹了噪音人臉分類問題的

3、研究背景,并重點(diǎn)研究了近年來國(guó)內(nèi)外比較出色的支持向量機(jī)改進(jìn)算法,分別是最小類內(nèi)方差支持向量機(jī)(MCVSVMs)和總間隔v支持向量機(jī)(TM-v-SVM)。深入研究了公共矢量的理論體系,并嘗試將公共矢量與支持向量機(jī)相結(jié)合。
　　 第三部分提出了總間隔v最小類內(nèi)方差支持向量機(jī)(TM-v-MCVSVMs)。TM-v.MCVSVMs繼承了MCVSVMs對(duì)分類數(shù)據(jù)集偏向性的支持,同時(shí)也保留了TM-v-SVM對(duì)不平衡性分類數(shù)據(jù)集的支持,因此T

4、M-v-MCVSVMs將MCVSVMs和TM-v-SVM的優(yōu)點(diǎn)相結(jié)合,具有更好的分類性能和抗噪性能。并使用BioID人臉數(shù)據(jù)庫進(jìn)行噪音人臉的分類實(shí)驗(yàn)進(jìn)行驗(yàn)證。
　　 第四部分提出了基于公共矢量的總間隔v最小類內(nèi)方差支持向量機(jī)(TM-v-M(CV)2SVMs)。TM-v-M(CV)2SVMs在保留了TM-v-MCVSVMs的優(yōu)點(diǎn)同時(shí),通過引入由公共矢量構(gòu)成的散度矩陣Scom的方式,進(jìn)一步加強(qiáng)了分類過程中的抗噪性能。通過在BioID

5、人臉數(shù)據(jù)庫中進(jìn)行的噪音人臉分類實(shí)驗(yàn)證明,TM-v-M(CV)2SVMs具有更好的分類性能和抗噪性能。
　　 第五部分提出了基于公共矢量的最小類內(nèi)方差支持向量機(jī)(CV-MCVSVM)。CV-MCVSVM以TM-v-M(CV)22SVMs為基礎(chǔ),在優(yōu)化問題的定義中,將每個(gè)訓(xùn)練樣本減去了兩類樣本的公共矢量的均值,去除了兩類訓(xùn)練樣本中的相同的信息,從而更多的保留了分類信息。而且CV-MCVSVM中的支持向量具有稀疏性,提高了解決二次規(guī)劃