支持向量機及其在紋理分類中的應用.pdf

1、基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術中的重要內(nèi)容,機器學習的目的是通過對已知數(shù)據(jù)的學習,找到數(shù)據(jù)內(nèi)在的相互依賴關系,從而獲得對未知數(shù)據(jù)的預測和判斷能力。傳統(tǒng)學習分類方法是以經(jīng)驗風險最小化取代期望風險最小化,即漸進理論,這種取代建立在訓練樣本數(shù)無窮大的假設上。然而在實際應用中,訓練樣本數(shù)通常是有限的,因此一些理論上非常優(yōu)秀的學習分類方法在實際應用中的表現(xiàn)卻可能不盡人意。
　　統(tǒng)計學習理論是一種專門研究小樣本情況下機器學習規(guī)律的理論,包括

2、VC維理論和結構風險最小化歸納準則等。建立在統(tǒng)計學習理論的基礎上的支持向量機,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,有效解決了過學習、維數(shù)災難等問題,具有較好的推廣能力。本文研究了支持向量機的理論并將其應用于紋理分類領域,主要工作如下:
　　回顧了支持向量機的理論基礎和基本原理,對支持向量機的實現(xiàn)算法作了研究,分析了它們的優(yōu)缺點及適用范圍。
　　研究核函數(shù)的構造和選擇問題,總結提出了基于特征變換的核函數(shù)構造

3、方法、基于Mercer核函數(shù)的性質組合核函數(shù)以及利用先驗知識構造核函數(shù)的方法,在此基礎上構造了自相關核函數(shù),提出了核函數(shù)的選擇流程。
　　研究了支持向量機的參數(shù)選擇問題,提出了改進的網(wǎng)格搜索算法。
　　在核函數(shù)的選擇和支持向量機參數(shù)的確定算法基礎上,提出了支持向量機應用的整體框架。
　　將支持向量機用于紋理分類領域。分析了不同的核函數(shù)、不同的特征選擇對支持向量機分類性能的影響。分類結果表明,RBF幾乎總能得到最好的性能