数字图像处理与机器视觉-基于MATLAB实现 第13章 支持向量机的机器视觉应用.pptVIP

2）被识别对象x再由4# 判别函数进行识别。若结果为类型+1，淘汰所有关于D类的判别函数，则所剩判别函数为6#(B,C)。 3）被识别对象x再由6# 判别函数进行识别。若得到结果为类型+1，则可判定最终的分类结果为B。 那么，如何来表示置信度呢?对于SVM而言，分割超平面的分类间隔越大，就说明两类样本越容易分开，表明了问题本身较好的可分性。因此可以用各个SVM二分器的分类间隔大小作为其置信度。 在上述的一对一淘汰策略中，每经一个判别函数就有某一类别被排除，与该类别有关的判别函数也被淘汰。因此，一般经过(c-1)次判别就能得到结果。然而，由于判别函数在决策时有可能会遇到“拒绝决策”的情形（h(x)=0)，此时，若直接令h(x)为+1或-1，而把它归于某一类，就可能导致误差。所以不妨利用判别函数之间所存在的冗余进行再决策，以减少这种因“拒绝决策”而导致的误判，一般再经过一到两次决策即可得到最终结果。 以上3种多类问题的推广策略在实际应用中一般都能取得满意的效果，相比之下第2种和第3种在很多情况下能取得更好的效果。 13.3支持向量机的理论基础 Matlab 从 7.0版本开始提供对SVM 的支持，其 SVM工具箱主要通过svmtrain和svmclassify两个函数封装SVM训练和分类的相关功能。这两个函数十分简单易用，即使对SVM的工作原理不是很了解的人也可以轻松掌握。本节将介绍S