支持向量机增量学习的算法与应用.pdfVIP

第9卷专刊 计算机集成制造系统CIMs V01．9 SpecialMagazine 2003年12月 ComputerIntegratedManufacturingSystems Dec．2003 05 文章编号：1006—591l(2003)SO一0144 支持向量机增量学习的算法与应用 曾文华1，马健2 (I．厦门大学计算机科学系，福建厦门361005； 2杭州电子工业学院计算机分院，浙江杭州310037) 摘要：提出一种新的支持向量机的增莓学习算法，分析了新样本加入训练集后支持向量集的变化情况。基 下分析结论提出一种新的学习算法。研究了基于支持向量机的山羊绒和细支绵羊毛动物纤维图像识别问题，根据 山羊绒和纲支绵羊毛动物纤维图像的特点，分别采用自动周值分割和Top—Hat变换，得到纤维边缘和鳞片边缘。 仿真结果表明，基于支持向量机的动物纤维图像识别率高于传统的基于人_上神经网络的识别率。 关键词：支持向量机；增量学习算法；动物纤维；图像识别 中国分类号：7rPl81 文献标识码：A 量上均居世界前列。由于各种纤维的品质和价格相 O引言 差悬殊，这就使产品质检中纤维含量的检测十分重 由V．Vapnik等人提出的统计学习理论(Sta— 要。与其他纤维相比，山羊绒与细支绵羊毛在结构、 tistics LearningTheory，SI。T)，是一种小样本的机 外观形态、理化性能上都较为接近，因而正确、有效 器学习理论，为机器学习问题提供了统一的框 地鉴别这两种纤维就显得非常重要。 架o。J。通过对学习一致收敛问题的讨论，SLT给 目前，鉴别山羊绒和细支绵羊毛的方法主要有 出了学习机推广能力的界，进而给出了不同于传统 四种：光学投影显微镜法、扫描电镜法、溶液解法和 RiskMini— 学习中经验风险晟小化准则(Empirical 计算机图像分析法。前三种方法具有操作复杂、不 mization，ERM)的结构风险最小化准则(Structure 能较好地反映特征以及鉴别操作带有主观性等不足 Risk Minimization，SRM)，并在此基础上给出了一之处。计算机图像分析法，通过对纤维数字图像的 Vector 种新的学习算法——支持向量机(Support 处理分析，从中提取多种定量特征，克服了其他方法 Machines，SVM)。SVM通过非线性核函数，将输的单一标准鉴别的缺点，客观、准确、快速，越来越受 人空间映射到高维线性特征空间，构造样本的最优 到关注，被认为具有很好的前景。 分类面，最优分类面的构造过程即是实现SRM准 针对山羊绒与细支绵羊毛混纺产品质检中纤维 则的过程。SVM基于SLT坚实、严谨的理论基础，含量的检测问题，本文提出了基于支持向量机的动 比传统学习方法具有较好的学习性能和泛化能力。 物纤维图像识别方法。基于SVM寻优问题的 SVM学习采用优化方法得到的结果是全局最优解， KKT条件和样本之间的关系，分析了样本增加后支 不会产生过学习和局部最小等问题。 持向量集的变化情况，基于分析结论，提出了一种新 我国是纺织用动物纤维种类资源比较丰富的国 的