【文章內(nèi)容簡介】 0年代中期，Vapnik和他的Atamp。T Bell實驗室小組在SL的基礎(chǔ)上提出了SVM算法，在解決小樣本、非線性、局部最小及高維模式識別問題中取得很好的效果[17]。 最優(yōu)分類超平面 支持向量機的研究最初針對模式識別中的兩類線性可分問題。分割線（平面）1和分割線（平面2）都能正確地將兩類樣本分開，即都能夠保證使經(jīng)驗風(fēng)險最?。?），這樣的分類線（平面）有無限多個，但分割線（平面）1離兩類樣本的間隙最大，稱之為最優(yōu)分類平面。最優(yōu)分類線（平面）的置信范圍最小。. 推廣到高維空間，假設(shè)訓(xùn)練數(shù)據(jù) (21) 可以被一個超平面 (22)分開，如果這個向量被超平面沒有錯誤地分開，并且離超平面最近的向量與超平面之間的距離是最大的，則這個超平面為最優(yōu)超平面。 分割線1 分割線2 最優(yōu)分類平面示意圖為了表示這個分類超平面，使用以下的形式表達(dá)： (23) 容易驗證，最優(yōu)超平面就是滿足條件式（23）并且使得 (24） 最小，為此，可以定義如下的Lagrange函數(shù)： (25)其中，≥0為Lagrange系數(shù)，我們的問題是對ω和b求Lagrange函數(shù)的最小值。把式（25）分別對ω、b、求偏微分并令它們等于0，得： (26) (27) (28)以上三式加上原約束條件以及kuhn－Tucker條件可以把原問題轉(zhuǎn)化為如下對偶問題： (29)文獻(xiàn)[21]提供了解決該問題的特殊方法[21]。這是一個不等式約束下二次數(shù)機制問題，存在唯一最優(yōu)解。若 為最優(yōu)解，則 (210) 不為零的樣本即為支持向量，因此，最優(yōu)分類面的權(quán)系數(shù)向量是支持向量的線性組合。 可由約束條件求解，由此求得的最優(yōu)分類函數(shù)是: (211) sgn()為符號函數(shù)。 （≥0）是Lagrange系數(shù)，是域值。 如果數(shù)據(jù)線性不可分需要引入一個非負(fù)的松弛變量（≥0)將約束條件變?yōu)椋? (212) 將目標(biāo)函數(shù)改為最小化： (213)此時的最優(yōu)分類超平面被稱為廣義最優(yōu)分類超面，其求解過程與線性可分情況下幾乎相同，只是對拉格朗日系數(shù) 的取值范圍變?yōu)?0≤≤C,i=1,2,…,n 其中C是一個給定的值，它控制對錯分樣本懲罰的程度，實現(xiàn)在錯分樣本的比例和算法復(fù)雜度之間的折中。 核函數(shù)的概念及支持向量機模型 通過非線性映射amp。將輸入空間變換到一個高維空間D，然后在這個新空間中求取最優(yōu)線性分類面，而這種非線性變換是通過定義適當(dāng)?shù)暮撕瘮?shù)（內(nèi)積函數(shù)）實現(xiàn)的，令： (214)用核函數(shù)代替最優(yōu)分類平面中的點積,就相當(dāng)于把原特征空間變換到了某一新的特征空間，此時優(yōu)化函數(shù)變?yōu)椋? (215)而相應(yīng)的判別函數(shù)式則為： (216) 其中是支持向量，為未知量，（216）式就是支持向量機（SVM）模型。 由于最終的判別函數(shù)中實際只包含未知向量與支持向量的內(nèi)積的線性組合，因此識別時的計算復(fù)雜度取決于支持向量的個數(shù)。 目前常用的核函數(shù)形式主要有Linear核函數(shù)、RBF(Radial Basis Function)核函數(shù)、Sigmoid核函數(shù)、Polynomial核函數(shù)四大類。 3 基于體壓分布的乘員體征識別算法前面介紹了各種乘員體征識別技術(shù)及方法及乘員體征識別技術(shù)的理論基礎(chǔ)和支持向量機方法，本文在綜合分析以上研究方法的基礎(chǔ)上，提出了通過分析座椅體壓分布的方法對乘員類型體征信息進(jìn)行識別的技術(shù)路線。其中，采用了智能模式識別中在解決小樣本、非線性、局部最小及高維模式識別問題時具有優(yōu)秀性能的支持向量機算法，并通過分析壓力分布敏感點，將壓力分布的圖中的敏感點壓力直接作為乘員體征主特征，最終將獲得的主特征作為支持向量機訓(xùn)練樣本實施學(xué)習(xí)訓(xùn)練，將訓(xùn)練后的分類模型直接作為乘員體征分類器。 總體技術(shù)路線 本文開發(fā)的算法包括乘員測量空間的生成、乘員特征空間的提取和乘員體征空間的劃分三個部分。 敏感點特乘員測量空間乘員體征空間乘員特征空間乘員體壓分布數(shù)據(jù) 預(yù)處理 征提取 模式 分類 特征選擇 乘員類型識別系統(tǒng)識別過程 試驗數(shù)據(jù)樣本是使用Tekscan公司的汽車座椅體壓測量系統(tǒng)，采集不同體征的乘員高維體壓分布的數(shù)據(jù),形成乘員測量空間。通過對于壓力分布敏感點的分析，找到乘員體壓分布敏感點，將敏感點壓力值作為乘員識別特征，建立乘員特征空間，然后通過模式識別中支持向量機的方法對乘員特征空間進(jìn)行分類，對乘員體征空間進(jìn)行劃分，最后建立乘員體征識別器。人工在敏感區(qū)域布置敏感點 高密度坐墊式壓力傳感器 乘員體壓分布測試系統(tǒng) 壓力敏感點位置不同類型乘員體壓分布數(shù)據(jù)壓力分布敏感度分析 乘員體壓信息的后處理平均值濾波實際體征數(shù)據(jù)讀取 測量空間的生成壓力敏感點壓力值讀取 壓力分布測量數(shù)據(jù)處理系 特征空間的提取 不同類型成員特征數(shù)據(jù)庫 類型空間的劃分 乘員類型特征數(shù)據(jù) 歸一化間隔點法求最優(yōu)化參數(shù)值 檢驗數(shù)據(jù) 調(diào)查數(shù)據(jù) 檢驗分類器分類效果訓(xùn)練分類器 支持向量機最優(yōu)參數(shù) 類型分類 器模型最優(yōu)類型分類器 乘員體征識別算法技術(shù)路線圖 乘員測量空間的生成 乘員測量空間是經(jīng)過數(shù)據(jù)處理后原始乘員體壓分布信息所在的空間。 膜片式壓力分布傳感器測量的壓力分布測量類似于攝像機的光感應(yīng)元件，容易受到外部或內(nèi)部的干擾，單位測量點的敏感測壓元件的靈敏度的不均勻性，數(shù)字化過程中的量化噪聲、傳輸過程中的誤差以及人為因素，均會使壓力分布測量的質(zhì)量變差。因此去除噪聲、恢復(fù)原始的壓力分布是數(shù)據(jù)處理的一個重要內(nèi)容[22]。 本文借助圖像處理的方法對壓力分布數(shù)據(jù)進(jìn)行預(yù)處理。圖像的平滑處理方法根據(jù)噪聲本身的特性而定，可在空間域或頻率域采用不同的措施，大多在空間域內(nèi)進(jìn)行?？臻g平滑濾波是在圖像空間內(nèi)利用模板進(jìn)行鄰域操作實現(xiàn)的，一般可分為線性和非線性兩類。線性平滑濾波器因為完善的理論基礎(chǔ)、相對簡單的數(shù)學(xué)處理，一直是圖像處理的主要工具[23]。本文使用的預(yù)處理算法是局部平均法，即以某個像素為中心，在圖像上開一個小窗口，把這個窗口內(nèi)的所有測量點的壓力值加權(quán)求平均值，并以這個值來代替這個測量點的壓力值。計算公式如下： (31)其中，M是鄰域N內(nèi)的測量點總和，是鄰域N內(nèi)位置處的壓力值，表示加權(quán)系數(shù)且有： （32）這種平滑處理算法可表示成線性算子的形式。由于加權(quán)系數(shù)選擇的不同，形成多種平滑算子。 體壓分布數(shù)據(jù)處理就是將對