資源描述：
《支持向量機在模式識別中的應用.pdf》由會員上傳分享，免費在線閱讀，更多相關內容在行業(yè)資料-天天文庫。
1、基金項目論文電訊技術2006年第4期FOUNDATIONSUPPORTEDPROJECT文章編號:1001-893X(2006)04-0009-043支持向量機在模式識別中的應用沈明華,肖立,王飛行(國防科技大學電子科學與工程學院,長沙410073)摘要:針對傳統(tǒng)神經(jīng)網(wǎng)絡存在網(wǎng)絡結構難于確定、過學習以及局部極小等問題,研究了基于支持向量機(SVM)的模式識別問題。通過對棋盤這種典型非線性二值問題的分類研究,分析了支持向量機的分類與泛化能力,支持向量機在分類和泛化能力方面遠遠優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡。最后將支持向量機用于對兩類飛機目標的分類識別,通
2、過多組蒙特卡羅試驗,獲得了較好的識別結果。支持向量機在目標識別中有巨大潛力和廣闊前景。關鍵詞:模式識別;支持向量機;徑向基函數(shù);泛化能力;目標識別中圖分類號:TN957.5文獻標識碼:AApplicationofSupportVectorMachine(SVM)inPatternRecognitionSHENMing-hua,XIAOLi,WANGFei-xing(SchoolofElectronicScienceandEngineering,NationalUniversityofDefenceTechnology,Changsha41
3、0073,China)Abstract:Aimingattheproblemssuchasdifficultdeterminationofnetstructure,overfittingandlocalminimizationoftraditionalneuralnetworks,thesupportvectormachine(SVM)appliedtopatternrecogni2tionisstudied.Byinvestigatingthechessboardclassification,whichistypicalofnonlin
4、eartwo-valueproblem,thegeneralizationabilityofSVMisanalyzed.SVMismorepowerfulthantraditionalneuralnet2workintheaspectofclassificationandgeneralization.FinallytwokindsofairplanesarerecognizedbasedonSVM,withmanyMonte-Carloexperimentsgoodclassificationresultsareachieved.SVMh
5、ashugepo2tentialsandgoodprospectintheareaoftargetrecognition.Keywords:patternrecognition;supportvectormachine(SVM);rangeprofiles;generalizationability;tar2getrecognition[1]之一。支持向量機克服了傳統(tǒng)神經(jīng)網(wǎng)絡的以上1引言不足,在模式識別、圖像處理、回歸分析等方面得到近年來,神經(jīng)網(wǎng)絡在模式識別、圖像處理、函數(shù)了廣泛應用。這一理論基礎堅實、數(shù)學推導嚴密,在逼近等方面得到廣泛研
6、究和應用,但是傳統(tǒng)神經(jīng)網(wǎng)解決小樣本、非線性以及高維模式識別問題中顯示絡在實際應用中存在網(wǎng)絡結構難于確定、過學習或了無法比擬的優(yōu)越性。針對模式識別問題,本文研欠學習以及局部極小等問題。究了支持向量機的分類性能和泛化能力,通過大量20世紀90年代中期,Vapnik提出的支持向量實驗驗證了支持向量機在模式識別中良好的分類和機(SVM)以其結構簡單、具有全局最優(yōu)性和較好的泛化能力等優(yōu)點成為機器學習領域最有影響的成果泛化能力。3收稿日期:2005-12-14;修回日期:2006-04-04基金項目:國家自然科學基金資助項目(60572138)·9·
7、基金項目論文電訊技術2006年第4期FOUNDATIONSUPPORTEDPROJECTyi[(w·x)+b]=1的點,也就是距最優(yōu)分類超平面最近的點,對應圖1中的x1、x2、x3。2支持向量機基本理論機器學習是人工智能重要的應用領域,現(xiàn)有機器學習方法的重要理論基礎是統(tǒng)計學,傳統(tǒng)統(tǒng)計學是研究樣本數(shù)目趨于無窮大時的漸進理論,但在實際問題中,樣本數(shù)目常常有限,甚至是小樣本,因此基于大數(shù)定律的傳統(tǒng)統(tǒng)計方法難以較好發(fā)揮作用,導致一些理論上優(yōu)秀的學習方法在實際應用中不能圖1最優(yōu)劃分超平面示意圖達到理想效果。Vapnik等人提出的統(tǒng)計學習理論(SLT
8、)是一種專門研究小樣本的理論,避免了人工訓練集的最優(yōu)分類判別函數(shù)可以表示為m神經(jīng)網(wǎng)絡等方法的網(wǎng)絡結構難于確定、過學習和欠f(x)=sign∑yiαi(x·xi)-b(5)學習以及局部極小等問題
