《基于SVM算法的圖像分類(1)》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、基于!"#算法的圖像分類薛明東郭立（中國科技大學(xué)電子科學(xué)與技術(shù)系，合肥!%""!*）@5,-0A：,7BC=D,-0A$C?EF$=7C$F1摘要介紹了’()算法的原理和在圖像分類上的一些應(yīng)用，將該算法應(yīng)用于飛機(jī)圖像的分類，并跟傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)分類算法進(jìn)行了比較。跟傳統(tǒng)的基于神經(jīng)網(wǎng)絡(luò)的圖像分類相比，具有良好的抗噪性和較高的識別率，并且具有良好的擴(kuò)展性。對于飛機(jī)圖像的分類問題有較好的應(yīng)用。關(guān)鍵詞分類支持向量機(jī)/-GH.小波變換文章編號&""!5I%%&5（!""#）%"5"!%"5"%文獻(xiàn)標(biāo)識碼J中圖分類號KL%+&$%&’(

2、)*&++,-,.&/,012&+(301!"#45(#,1’301’6507,（M=N-.E,=1EHO@A=FE.H10F’F0=1F=-17K=FP1HAH/Q，R10S=.?0EQHO’F0=1F=-17K=FP1HAH/QHOTP01-，U=O=0!%""!*）89+/:&./：KP0?N-N=.01E.H7CF=?EP=,=EPH7HO?CNNH.ES=FEH.?,-FP01=?-17?H,=-NNA0F-E0H1?EH0,-/=.=FH/10E0H1$KP0?,=EPH70?C?=7EH.=FH/10V=?H

3、,=0,-/=?，F(xiàn)H,N-.=7W0EPEP=E.-70E0H1-A1=C.-A1=EWH.X$KP=.=?CAE?PHW?EP-EEP0?,=EPH7P-S=G=EE=.FA-??0O0F-E0H1-17.=FH/10E0H1.=?CAE?，-170EF-1G==BN-17=7?0,NAQ$;(<=0:3+：FA-??0O0F-E0H1，?CNNH.ES=FEH.?,-FP01=?，/-GH.W-S=A=E&’()方法介紹是類別符號。7維空間中線性判別函數(shù)的一般形式為(（"）)*·統(tǒng)計(jì)學(xué)習(xí)理論的研究始于上世紀(jì)*"年代末

4、，進(jìn)入上世紀(jì)"+,，分類線方程*·"+,2"，將判別函數(shù)進(jìn)行歸一化，使兩類所+"年代，開始在神經(jīng)網(wǎng)絡(luò)分析方向獲得成功。它是在經(jīng)驗(yàn)風(fēng)險有樣本都滿足8(（"）8"&，即使離分類面最近的樣本的8(（"）82&，最小化的基礎(chǔ)上發(fā)展起來的一種小樣本統(tǒng)計(jì)理論，使有限樣本此時分類間隔等于!9#*#，因此使間隔最大等價于使#*#的統(tǒng)計(jì)模式識別和機(jī)器學(xué)習(xí)問題有一個理論基礎(chǔ)。（或#*#!）最小。要求分類線對所有樣本正確分類，就是要求支持向量機(jī)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新它滿足穎的模式識別方法，原來也叫支持向量網(wǎng)絡(luò)。它研究如何構(gòu)造$（

5、:*·"）+,;5&""，#)&，!，?，%（&）##學(xué)習(xí)機(jī)，實(shí)現(xiàn)模式分類問題。支持向量機(jī)在解決小樣本學(xué)習(xí)、非滿足條件（&）且使#*#!最小的分類面就叫作最優(yōu)分類線性和高維學(xué)習(xí)問題上有很好的表現(xiàn)。面，!&、!!上的訓(xùn)練樣本點(diǎn)就稱作支持向量。利用<-/.-1/=優(yōu)’()是從線性可分情況下的最優(yōu)分類面發(fā)展而來的，其化方法可以把上述最優(yōu)分類面問題轉(zhuǎn)化為其對偶問題，即：在基本思想可用圖&的兩維情況說明。圖中，實(shí)心點(diǎn)和空心點(diǎn)代%表兩類樣本，!為分類線，!&、!!分別為過各類中離分類線最約束條件：!$#!#)"!#""，#2&，?，%

6、下對!#求解下列函數(shù)#)&近的樣本且平行于分類線的直線，它們之間的距離叫做分類間的最大值：隔（,-./01）。所謂最優(yōu)分類線就是要求分類線不但能將兩類正%%確分開（訓(xùn)練錯誤率為"），而且使分類間隔最大。&-（!）2!!#5!!#!.$#$（."#·".）（!）#)&!#，.)&（!為原問題中與每個約束條件（&）對應(yīng)的<-/.-1/=乘#%/子）。若!>為最優(yōu)解，則*/2!!$"即最優(yōu)分類面的權(quán)系數(shù)向####)&量是訓(xùn)練樣本訓(xùn)練的線性組合。這是一個不等式約束下二次函數(shù)極值問題，存在唯一解。容易證明，解中將只有一部分（通常是很

7、少一部分）!不為零，對應(yīng)的樣本就是支持向量。解上述問#題后得到的最優(yōu)分類函數(shù)是：%圖&最優(yōu)分類面示意圖////（0"）)?/1（3*·"）+,62?/13!!$（"·"）+,6（%）####)&設(shè)線性可分樣本集為（"，$），#2&，?，%，"!&’，$!34&，5&6式中的求和實(shí)際上只對支持向量進(jìn)行（因?yàn)榉侵С窒蛄繉?#作者簡介：薛明東（&+YI5），男，研究生，研究方向：模式識別圖像處理。郭立（&+#*5），男，主任，教授、博導(dǎo)，研究方向：ZT設(shè)計(jì)，圖像處理。!%"!""#$%"計(jì)算機(jī)工程與應(yīng)用#制方向，2345)小波濾

8、波器的其它參數(shù)!，’，%，&，(，它們的取應(yīng)的!均為"）。"是分類閾值，可以用任一個支持向量（滿足""!值如下所示：式（&）中的等號）求得，或通過兩類中任意一對支持向量取中值&求得。$1($1+&，%1(’%1+&，$1%1($1+&%1+&’對非線性問題，可以通過非線性變換轉(zhuǎn)化為某個高維空間###中的