支持向量機(jī)及其在紋理分類中的應(yīng)用.pdf

1、基于數(shù)據(jù)的機(jī)器學(xué)習(xí)是現(xiàn)代智能技術(shù)中的重要內(nèi)容,機(jī)器學(xué)習(xí)的目的是通過對(duì)已知數(shù)據(jù)的學(xué)習(xí),找到數(shù)據(jù)內(nèi)在的相互依賴關(guān)系,從而獲得對(duì)未知數(shù)據(jù)的預(yù)測(cè)和判斷能力。傳統(tǒng)學(xué)習(xí)分類方法是以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化取代期望風(fēng)險(xiǎn)最小化,即漸進(jìn)理論,這種取代建立在訓(xùn)練樣本數(shù)無(wú)窮大的假設(shè)上。然而在實(shí)際應(yīng)用中,訓(xùn)練樣本數(shù)通常是有限的,因此一些理論上非常優(yōu)秀的學(xué)習(xí)分類方法在實(shí)際應(yīng)用中的表現(xiàn)卻可能不盡人意。
　　統(tǒng)計(jì)學(xué)習(xí)理論是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論,包括

2、VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納準(zhǔn)則等。建立在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上的支持向量機(jī),在解決小樣本、高維、非線性模式分類問題上具有良好的性能,有效解決了過學(xué)習(xí)、維數(shù)災(zāi)難等問題,具有較好的推廣能力。本文研究了支持向量機(jī)的理論并將其應(yīng)用于紋理分類領(lǐng)域,主要工作如下:
　　回顧了支持向量機(jī)的理論基礎(chǔ)和基本原理,對(duì)支持向量機(jī)的實(shí)現(xiàn)算法作了研究,分析了它們的優(yōu)缺點(diǎn)及適用范圍。
　　研究核函數(shù)的構(gòu)造和選擇問題,總結(jié)提出了基于特征變換的核函數(shù)構(gòu)造

3、方法、基于Mercer核函數(shù)的性質(zhì)組合核函數(shù)以及利用先驗(yàn)知識(shí)構(gòu)造核函數(shù)的方法,在此基礎(chǔ)上構(gòu)造了自相關(guān)核函數(shù),提出了核函數(shù)的選擇流程。
　　研究了支持向量機(jī)的參數(shù)選擇問題,提出了改進(jìn)的網(wǎng)格搜索算法。
　　在核函數(shù)的選擇和支持向量機(jī)參數(shù)的確定算法基礎(chǔ)上,提出了支持向量機(jī)應(yīng)用的整體框架。
　　將支持向量機(jī)用于紋理分類領(lǐng)域。分析了不同的核函數(shù)、不同的特征選擇對(duì)支持向量機(jī)分類性能的影響。分類結(jié)果表明,RBF幾乎總能得到最好的性能