支持向量機在模式識別領域中的應用研究.pdf

1、支持向量機(Support Vector Machine，SVM)方法是Vapnik等人根據(jù)統(tǒng)計學習理論提出的一種新型的、有效的機器學習方法，它以結(jié)構(gòu)風險最小化準則和VC維理論為理論基礎，通過適當?shù)剡x擇函數(shù)子集以及該子集中的判別函數(shù)，使學習機器的實際風險達到最小，保證了通過有限訓練樣本得到小誤差分類器。支持向量機較好的解決了以往困擾很多學習方法的小樣本、非線性、過學習、高維數(shù)、局部極小點等實際問題，同時具有很強的推廣能力。目前，統(tǒng)計學習

2、理論和支持向量機理論作為小樣本學習的最佳理論，開始受到越來越廣泛的重視，正在成為人工智能和機器學習領域新的研究熱點。 本論文研究的主要內(nèi)容包括以下幾個方面：支持向量機算法的改進、支持向量機多類分類方法、支持向量機在模式識別中的具體應用等。論文主要研究工作包括： (1)針對傳統(tǒng)的增式算法在求解SVM問題時存在的瓶頸問題，提出了一種新型的增式支持向量機訓練算法，決策函數(shù)的閾值化以及KKT條件的引入使得保留下來的訓練樣本都是最

3、有效的，從而提高了迭代速度和分類效率。 (2)針對傳統(tǒng)的基于決策樹方法的支持向量機多類分類方法訓練樣本數(shù)目過多、時間復雜度過高的缺點，提出了一種基于聚類思想的支持向量機多類分類算法。空間距離和聚類思想的引入，有效的提高了算法的分類效率。仿真實驗表明，該方法在保持算法良好推廣性的同時降低了算法的復雜度，從而提高了分類效率和分類速度。 (3)系統(tǒng)介紹了模式識別理論，并將本研究中的改進算法應用到船艦目標識別和人臉識別中，與傳統(tǒng)