支持向量机及其图象分析中的应用研究.pdf

中国科学技术大学博士论文 摘要 摘要 (现有机器学习方法的重要理论基础之一是统计学。传统统计学研究的是样本 数目趋于无穷大时的渐近理论，现有学习方法也多是基于此假设，但在实际问题 中，样本数往往是有限的，所以这些方法存在着固有的算法缺陷。 与传统统计学相比，统计学习理论是一种专门研究小样本情况下机器学习规 律的理论。支持向量机(SVM)方法是建立在统计学习理论基础上的，根据有 限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，克服了神经网络分 类和传统统计分类法的许多缺点，具备较高的泛化性能。 但是，由于支持向量机尚处在发展阶段，很多方面尚不完善，现有成果多局 限于理论分析，而应用显得较薄弱，因此研究和完善支持向量机的理论及实现算 法具有重要意义，而研究纹理图象分类、静态图象中的目标检测，对于丰富和完 善支持向量机的理论和算法、进一步推进支持向量机在图象分析领域的应用具有 积极的推动作用厂’ ／一一”j～’、 | }逊唑／ 本文对支持向量捌的研究主要是围绕两个方面展开的：一是利用支持向量机 进行纹理图象分类，主要是支持向量机的训练算法问题；二是综合利用以上研究 成果和结论，研究新的支持向量机算法，并将之应用于静态图象目标检测问题。 本文的主要内容和创新如下 1．分析了svM模型建立的问题。垂要分析核函数的特性，探讨了多项式核 函数的阶数与SVM分类性能之间的关系，从理论和实验两个方面重点分析了惩 罚系数对分类性能的影响，最后分析了实现算法和多类问题。 这部分是利用SVM进行分类的基本内容，同时也是为下面的研究做的必要铺 挚。)咧7 2．提出了基于方差和SVM的组合分类方法，在此基础上又提出了基于SVM 和距离度量的ISD算法。 ，重点针对支持向量机的训练效率问题，进行了支持向量机的训练算法研究。 通过采用对数据集进行预先约简的策略，以组合分类器来提高支持向量机的效 率。针对机械加工工件表面粗糙度的评定问题提出了基于方差和SVM的组合分 类方法，并在此基础上，针对纹理图象分类问题提出了基于SVM和距离度量的 ISD算法。两种方法相比，“方差+SVM”是一个特例，ISD算法是进一步推广， !璺型堂垫查查兰堕主堡苎——．———————————．i!里 更具有一般性。、)／7／ 3．提出了模糊支持向量机FSVM，并提出了基于核方法的隶属度确定策略。 r引入模糊分类的思想对支持向量机进行了改进，提出了模糊支持向量机 FSV—M，综合考虑了样本对分类贡献的差异，从而使分类性能得到进一步提高。 通过参数调整，可以进一步在总体上估计和控制分类器的性能。接着，重点分析 了FSVM的隶属度确定问题，提出了基于核方法的隶属度确定策略，并进行了 实验和分析。 FSVM的提出是本文对改进标准SVld的一个贡献。／／7∥ 4．从模式识别的角度出发，针对在静态图象中进行目标检测问题，提出了 一种将模板匹配与模糊支持向量机相结合的目标检测算法(IST算法)。 ／把目标检测转化成二分类I1题，充分利用模糊支持向量机作为二值分类器的 优势进行目标检测。算法将目标模板作为模糊支持向量机分类器的粗筛选环节， 模板匹配减少了模糊支持向量机分类器所需处理的样本数量，降低了模糊支持向 量机训练的难度，大大提高了检测速度；并且，将模板匹配阶段计算出的相关系 数直接用于模糊支持向量机中的隶属度的确定，巧妙地解决了隶属度难于确定的 f．q题，又没有额外给算法增加任何计算负担。／o ／本文围绕支持向量机在纹理图象分类和在图象目标检测的问题进行了分 柝，Ⅺ支持向量机本身及训练等问题提出了改进方法，并将ISD算法应用到“管 道内表面图象分析系统”中，将IST算法应用于863项目“遥操作排险机器人” 的子课题“辅助目标检测系统”中。 本文的研究是支持向量机理论及其在图象分析上的应用的一个有益的尝试， 对完善支持向量机的理论和应用研究具有积极的意义和实用价值。户／ H 中国科学技术大学博士论文 Abstract