二、报告内容.PDFVIP

二、報告內容 （一）、前言 近年來，隨著支撐向量機器理論的提出，它在物件分類領域上相較於 其他學習 機器，所展現出的優異能力引起學術界廣泛的注意。支撐向量機器主要應用於分類 及辨識上，它的優點在於不僅 對於已知的訓練資料可達成高度的分類或辨識外，更 擴及對於未知資料提供有效的分類及辨識。 相較於其他學習機器，支撐向量機器在處理大量訓練資料量時其效能仍未達理 想境界。針對此部分計畫中將利用統計概念從原本的訓練資料中取出支撐向量並以 這些支撐向量取代原本大量的訓練資料。此觀念下以訓練資料的所在位置來決定成 為支撐向量的機率，並分析映射至特徵空間後的相對位置變化，以確保成為支撐向 量的機率不會因空間轉換而改變。 此外，計畫中亦將支撐向量機器應用於 WOS 濾波器。首先利用二分法簡化 WOS 濾波器於製作過程中所須的時間複雜度。利用此二分法可將原本 WOS 濾波器於製作 過程中所需面臨的多項式線性 方程式最佳化問題轉換為二維分類問題，此時再利用 向量支撐機器對於分類問題優異的能力找出最佳解。利用 此方法可於降低時間複雜 度的同時亦提供最佳解。 （二）、研究目的與文獻探討 近年來隨著支撐向量機器(support vector machines)理論的提出，它在物件分類領 域上相較於其他學習機器，所展現出來的優異能力引起學術界廣泛的注意 [1, 2, 3, 4] ，陸續已有不少學者針對支撐向量機器的各個層面提出改良的研究，其中之ㄧ即 是針對支撐向量機器處理大量資料效能不佳的缺點提出改良的方法 [5, 6, 7] 。如同許 多文獻中所述，支撐向量機器所面臨的問題之一即是在非線性模式下當訓練資料 (training patterns)藉由映對至特徵空間 (feature space)時，其核心矩陣 (kernel matrix)將 隨著訓練資料數量呈現平方倍數的成長 [6] 。 目前而言已有一些研究針對此問題提出演算法，例如 decomposition method, reduced support vector machines 等演算法 [5, 6, 7] 。Decomposition method演算法在每 次訓練資料時選定一個工作集合，而工作集合內的元素如何選定則有數種不同的方 式，例如Platt所提出的 SMO演算法、Joachims所提出的 systematic way演算法等 [8, 9] 。而decomposition method的缺點在於訓練資料時的收斂速度取決於工作集合內資 料的特性，此因素造成每次重新執行訓練時的訓練過程及結果均不盡相同。 在此計畫中提案人發展萃取式支撐向量機器 (extractive SVMs) 來克服前述所提 的問題。在萃取式支撐向量機器中以機率統計之概念分析資料的分布 [10] ，企圖由 大量的資料中篩選出擁有較高機率成為支撐向量(support vector)的訓練資料，藉此去 除機率較低的訓練資料，在此 情況下可有效的大幅降低訓練資料的個數，且不至於 影響資料辨識的準確度。在此提案中首先針對特定的核心函數 (kernel function)的特性 － 1 － 進行探討，利用此核心函數的特性篩選資料並確保所篩選之訓練資料於映射至特徵 空間(feature space)後仍具有支撐向量的特性，接者進一步 探討其它核心函數，其最 終目標為根據核心函數之不同分別訂定出其適合的演算法。 在濾波器的家族之中， WOS (weighted order statistics) 濾波器一直受到高度的注 目 [11, 12, 13, 14] 。WOS 濾波器的優異性能使得它在眾多應用領域上獲得良好的應 用結果，這些應用領域包含了雜訊移除、影像回復、文字辨識等。 雖然 WOS 濾波器具有完美的理論架構且已在眾多應用領域上獲得成功，然對於 WOS 濾波器在設計階段所遇到的問題