第三讲eeg信号分类模型.pptVIP

第三讲 EEG信号分类模型 信息工程学院 谢宏 主要内容 SVM的理论基础 线性判别函数和判别面 最优分类面 支持向量机 LIBSVM简介 SVM的理论基础 传统的统计分类模型只有在样本趋向无穷大时，其性能才有理论的保证。统计学习理论（STL）研究有限样本情况下的机器学习问题。SVM的理论基础就是统计学习理论。 传统的统计分类模型在进行建模时，强调经验风险最小化。而单纯的经验风险最小化会产生“过学习问题”，其推广能力较差。 推广能力是指: 将学习机器(即预测函数,或称学习函数、学习模型)对未来输出进行正确预测的能力。 SVM的理论基础 SVM的理论基础 根据统计学习理论，学习机器的实际风险由经验风险值和置信范围值两部分组成。而基于经验风险最小化准则的学习方法只强调了训练样本的经验风险最小误差，没有最小化置信范围值，因此其推广能力较差。 Vapnik 与1995年提出的支持向量机（Support Vector Machine, SVM）以训练误差作为优化问题的约束条件，以置信范围值最小化作为优化目标，即SVM是一种基于结构风险最小化准则的学习方法，其推广能力明显优于一些传统的学习方法。 SVM的理论基础 由于SVM 的求解最后转化成二次规划问题的求解，因此SVM 的解是全局唯一的最优解 SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中. 线性判别函数和判别面 一个线性判别函数(discriminant function)是指由x的各个分量的线性组合而成的函数 对于两类分类问题的决策规则为 如果g(x)=0，则判定x属于C1 如果g(x)0，则判定x属于C2 方程 g(x)=0 定义了一个判定面，它把归类于C1的点与归类于C2的点分开来。 w为超平面的法向量。 线性判别函数和判别面 判别超平面不唯一 线性可分最优分类面 SVM 是从线性可分情况下的最优分类面发展而来的, 基本思想可用下图的两维情况说明. 线性可分最优分类面 求解线性可分最优分类面 已知： 求解： 目标：最优分类函数　　　　　　　　　 这是一个二次凸规划问题，由于目标函数和约束条件都是凸的，根据最优化理论，这一问题存在唯一全局最小解． 求解线性可分最优分类面 通过Lagrange函数可以得到原规划问题的对偶规划 　 求解线性不可分最优分类面 已知： 求解： 目标：最优分类函数　　　　　　　　　 同样这是一个二次凸规划问题，存在唯一全局最小解． 求解线性不可分最优分类面 通过Lagrange函数可以得到原规划问题的对偶规划 　 支持向量机 前面所得到的最优分类函数为： 该式只包含待分类样本与训练样本中的支持向量的内积运算。 ?对非线性问题, 可以通过非线性变换转化为某个高维空间中的线性问题, 在变换空间求最优分类面. 支持向量机 定义非线性映射 在Rm空间中样本数据的分类边界是线性的，即判别函数为 此时支持向量机优化目标函数为 判决函数为 支持向量机 定义核函数 则一般支持向量机模型为 在求得α*后，可得 判别函数 支持向量机核函数的选择 线性核函数： 多项式核函数 高斯径向基核函数 Sigmoid核函数 以上函数中s, c, m,γ都是模型参数。 支持向量机模型建模 样本数据标准化 选择模型类型、模型参数和惩罚项因子C 反复实验、经验和感觉 交叉验证 求解二次规划模型 最优化算法 SMO算法 模型测试 支持向量机的特点 支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。 ?SVM是一种有坚实理论基础的小样本学习方法。 SVM模型泛化能力好于其它模型。 学习过程不存在局部极小。 学习算法都是批学习算法，没有在线学习算法。 学习算法复杂，对内存需求很大。 两类分类例子 学习结果 测试结果 LIBSVM简介 LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题. 算法精髓：每次选取两个α进行更新。下面以α1 和α2为例进行分析。此时， α1 和α2的初始值为 因此有 SMO算法分析 忽略约束的最优解 忽略约束的最优解 * * “过学习问题”：某些情况下，当训练误差过小反而会导致推广能力的下降。 例如：对一组训练样本(x,y),x分布在实数范围内，y取值在[0，1]之间。无论这些样本是由什么模型产生的，我们总