基于小波矩的支持向量机分类研究.pdfVIP

第十七届中国过程控制会议论文集 基于小波矩的支持向量机分类研究 苏航 ，夏良正 （东南大学自动控制系，江苏 南京 210096） 摘要：文章首先介绍了支持向量机(SVM)和小波矩的基本思想和算法。接着通过提取训练样本的小波矩,将其 作为图像的特征值输入到支持向量机,完成了支持向量机对样本的训练与分类。最后,通过对支持向量机选用 不同核函数对目标进行分类的实验结果,比较了不同核函数以及人工神经网络在各种情况下的识别效果。 关键词：支持向量机；小波矩；核函数；神经网络 0 前 言 [3] 支持向量机(Support Vector Machines 简称SVM)是由Vapnik 提出,在1992年计算学习理论的会议上 介绍入机器学习领域的。 它是从统计学习理论中发展起来的一个新兴的研究方向,对统计学习理论的发展 起到巨大的推动作用,并得到广泛应用。支持向量机不仅集成了最大间隔超平面﹑Mercer核﹑凸二次规划 等多项技术而且还具有完美的数学形式、直观的几何解释和良好的泛化能力,解决了小样本训练与欠学习、 过学习问题,避免了局部最优解,有效地克服了“维数灾难”。目前支持向量机已经成功地应用于分类、识 别和回归问题等方面。 小波矩是结合矩特征和小波特征的一种新型矩特征。小波矩不仅具有平移、缩放和旋转不变,同时又 包含了小波的多分辨率特征。实验证明将小波矩为特征输入到支持向量机,来完成对支持向量机的训练和 识别具有良好的效果。 本文先对支持向量机和小波矩这两个概念作了介绍。接着,通过实验将小波矩作为支持向量机的输入 对其进行了训练,再通过训练后的支持向量机对待识别目标进行了分类。最后,不仅将支持向量机的识别结 果与传统的BP网络的识别结果进行了比较,证明了支持向量机在目标分类中的优越性,而且通过对支持向 量机选用不同核函数的识别结果的比较,为将来支持向量机在应用中对核函数的选择提供了一些参考。 1 小波矩 小波矩是结合矩和小波特性的一种新型矩特征。结合矩特征和小波特征而成的小波矩具有矩特征的平 移,缩放和旋转不变及抗噪声性强的特征,同时又包含了小波的多分辨率特征,大大的增强了矩特征对图象 精细特征的分析能力。旋转不变性的矩的典型通用形式为： Fpq ∫∫ f (r ,θ )g p (r )e jq θrdrd θ (1) 其中F 表示第 阶矩,g (r ) 是半径r 的函数,并且 和 都是整数。 pq pq p p q 为了减小从二维图象中提取一维特征序列的难度,可以把特征提取分离为在相应的区域（0 ≤ θ ≤ 2π ） 和径向区域（0 ≤ r ≤ 1）内进行： 第一步在相位区域积分： S (r ) f (r,θ )eiqθ dθ (2) q ∫ 第二步在径向区域积分： F S (r )g (r )rdr (3) pq ∫ q p g (r ) r F 从定义式中来看：可以看出来,如果 是定义在变量 全局变量范围内的函数,则提取的 为全局特 p