支持向量机算法的研究及在智能交通系统中的应用.pdfVIP

中文摘要 传统统计学研究的是样本数目趋于无穷大时的渐进理论，而统计学习理论研 究的是小样本条件下的学习理论。由于实际的样本数量是有限的，因而在理论上 统计学习理论有其优越性。基于统计学习理论和结构风险最小化原则的支持向量 机不仅模型结构简单，而且具有良好的泛化能力。因此，其受到了广泛的关注， 并逐渐成为机器学习领域的研究热点之一。 随着通信、信息与电子工程以及计算机技术的快速发展，智能交通系统越来 越受到广泛重视，从而对车型识别、车牌识别和交通流预测等技术提出了更高要 求。本文以支持向量机为基础，对模式识别和回归分析的基本算法及其在智能交 通系统中应用进行了广泛的研究。 本文的主要工作以及成果包括： (1)在中心型支持向量机基础上，吸取了解决各类别样本数量不均衡和增 量学习的思想与方法，定义了一种新的权系数矩阵，并结合多类别分类问题，提 出了均衡增量型多类别分类算法。实验结果表明该算法具有较高的稳定性和判别 精度。 (2)通过对几种多类别分类算法的研究，分析了这些算法的优缺点，并结 合霍夫曼树，提出了一种基于霍夫曼决策树的多类别分类算法。最后在多种开放 式数据集上进行仿真实验，结果验证了该算法不仅具有较高判别精度，而且训练 效率非常高。 (3)首先比较系统地对支持向量机回归的理论和基