【文章內(nèi)容簡(jiǎn)介】 用這些默認(rèn)參數(shù)可以解決很多問題；并提供了交互檢驗(yàn)(Cross Validation)的功能。該軟件可以解決許多多類模式識(shí)別問題。SVM應(yīng)用于回歸分析和模式識(shí)別時(shí)，對(duì)于SVM和核函數(shù)中參數(shù)的選擇上，國(guó)際上目前還沒有形成一個(gè)統(tǒng)一的模式，也就是說最優(yōu)SVM算法參數(shù)選擇還只能是憑借經(jīng)驗(yàn)、實(shí)驗(yàn)對(duì)比、大范圍的搜尋或者利用軟件包提供的交互檢驗(yàn)功能進(jìn)行尋優(yōu)。目前，LIBSVM擁有Java、C、Matlab、C、R、Python、Perl、Labview、Common LISP等數(shù)十種語(yǔ)言版本。最常使用的是Matlab、C、Java等版本。本文中使用的就是matlab版本的。 matlab概述MATLAB既是一種直觀、高效的計(jì)算機(jī)語(yǔ)言,同時(shí)又是一個(gè)科學(xué)計(jì)算平臺(tái)。根據(jù)它提供的500多個(gè)數(shù)學(xué)和工程函數(shù)，工程技術(shù)人員和科學(xué)工作者可以在它的集成環(huán)境中交互或編程以完成各自的計(jì)算。MATLAB包括應(yīng)用程序開發(fā)工具、工具箱、數(shù)據(jù)存取工具、學(xué)生產(chǎn)品、狀態(tài)流圖、模塊集、代碼生成工具等?？偟膩碚f，該軟件有三大特點(diǎn)：一是功能強(qiáng)大。具有數(shù)值計(jì)算和符號(hào)計(jì)算、計(jì)算結(jié)果和編程可視化、數(shù)學(xué)和文字統(tǒng)一處理、離線和在線計(jì)算等功能；二是界面友善、語(yǔ)言自然；三是開放性強(qiáng)。MATLAB作為線性系統(tǒng)的一種分析和仿真工具，是理工科的大學(xué)生應(yīng)該掌握的技術(shù)工具，它作為一種編程語(yǔ)言和可視化工具，可解決工程、科學(xué)計(jì)算和數(shù)學(xué)學(xué)科中許多問題。MATLAB建立在向量、數(shù)組和矩陣的基礎(chǔ)上，使用方便，人機(jī)界面直觀，輸出結(jié)果可視化。其中，矩陣是MATLAB的核心。本文通過支持向量機(jī)的方法對(duì)數(shù)據(jù)進(jìn)行二分類，使用matlab軟件實(shí)現(xiàn)是最優(yōu)的選擇。 matlab中l(wèi)ibsvm的使用libsvm函數(shù)用于對(duì)訓(xùn)練集的數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型。model = libsvmtrain(training_label_vector, training_instance_matrix [ 39。libsvm_options39。])。這個(gè)函數(shù)有三個(gè)參數(shù)，其中training_label_vector:訓(xùn)練樣本的類標(biāo)，如果有m個(gè)樣本，就是m x 1的矩陣。這里可以是二分類，類標(biāo)是（1,1）或者其他任意用來表示不同的類別的數(shù)字，要轉(zhuǎn)成double類型。training_instance_matrix:訓(xùn)練樣本的特征，如果有m個(gè)樣本，每個(gè)樣本特征是n維，則為m x n的double類型的矩陣。libsvm_options是訓(xùn)練的參數(shù)。libpredict函數(shù)主要用于對(duì)測(cè)試集的數(shù)據(jù)進(jìn)行測(cè)試，還能對(duì)未知樣本進(jìn)行預(yù)測(cè)。[predicted_label,accuracy,decision_values/prob_estimates]=libsvmpredict(testing_label_vector, testing_instance_matrix, model [, 39。libsvm_options39。])。這個(gè)函數(shù)包括四個(gè)參數(shù)，其中testing_label_vector:測(cè)試樣本的類標(biāo)；esting_instance_matrix:測(cè)試樣本的特征；model是使用libsvmtrain返回的模型；libsvm_options是預(yù)測(cè)的參數(shù)，與訓(xùn)練的參數(shù)形式一樣。LIBSVM訓(xùn)練時(shí)可以選擇的參數(shù)包括：s svm類型：SVM設(shè)置類型（默認(rèn)0）0—CSVC；1–vSVC；2–一類SVM；3—eSVR；4—vSVR。t 核函數(shù)類型：核函數(shù)設(shè)置類型（默認(rèn)2）0–線性核函數(shù)：u’v；1–多項(xiàng)式核函數(shù)：（r*u’v+coef0)^degree；2–RBF(徑向基)核函數(shù)：exp(r|uv|^2）3–sigmoid核函數(shù)：tanh(r*u’v+coef0)；d degree：核函數(shù)中的degree設(shè)置（針對(duì)多項(xiàng)式核函數(shù)）（默認(rèn)3）g r(gamma）：核函數(shù)中的gamma函數(shù)設(shè)置（針對(duì)多項(xiàng)式/rbf/sigmoid核函數(shù)）（默認(rèn)1/k，k為總類別數(shù))r coef0：核函數(shù)中的coef0設(shè)置（針對(duì)多項(xiàng)式/sigmoid核函數(shù)）（（默認(rèn)0)c cost：設(shè)置CSVC，eSVR和vSVR的參數(shù)（損失函數(shù)）（默認(rèn)1）n nu：設(shè)置vSVC，一類SVM和vSVR的參數(shù)（）p p：設(shè)置eSVR中損失函數(shù)p的值（）m cachesize：設(shè)置cache內(nèi)存大小，以MB為單位（默認(rèn)40）e eps：設(shè)置允許的終止判據(jù)（）h shrinking：是否使用啟發(fā)式，0或1（默認(rèn)1）wi weight：設(shè)置第幾類的參數(shù)C為weight*C(CSVC中的C)（默認(rèn)1）v n:nfold交互檢驗(yàn)?zāi)Ｊ?，n為fold的個(gè)數(shù)，必須大于等于2以上參數(shù)的設(shè)置可以任意組合，如果參數(shù)設(shè)置不正確，參數(shù)將采用默認(rèn)值。libsvmtrain函數(shù)返回訓(xùn)練好的SVM分類器模型，可以用來對(duì)未知的樣本進(jìn)行預(yù)測(cè)。這個(gè)模型是一個(gè)結(jié)構(gòu)體，包含以下成員：Parameters:一個(gè)5x1的矩陣，從上到下依次表示：s：SVM類型（默認(rèn)0）；t：核函數(shù)類型（默認(rèn)2）；d：核函數(shù)中的degree設(shè)置(針對(duì)多項(xiàng)式核函數(shù))(默認(rèn)3)；g：核函數(shù)中的r(gamma）函數(shù)設(shè)置(針對(duì)多項(xiàng)式/rbf/sigmoid核函數(shù)) (默認(rèn)類別數(shù)目的倒數(shù))；r：核函數(shù)中的coef0設(shè)置(針對(duì)多項(xiàng)式/sigmoid核函數(shù))((默認(rèn)0)； nr_class:表示數(shù)據(jù)集中有多少類別，比如二分類時(shí)這個(gè)值即為2；totalSV:表示支持向量的總數(shù)；rho:決策函數(shù)wx+b中的常數(shù)項(xiàng)的相反數(shù)（b）；Label:表示數(shù)據(jù)集中類別的標(biāo)簽；ProbA:使用b參數(shù)時(shí)用于概率估計(jì)的數(shù)值，否則為空；ProbB:使用b參數(shù)時(shí)用于概率估計(jì)的數(shù)值，否則為空；nSV:表示每類樣本的支持向量的數(shù)目，與Label的類別標(biāo)簽對(duì)應(yīng)；sv_coef:表示每個(gè)支持向量在決策函數(shù)中的系數(shù)；SVs:表示所有的支持向量，如果特征是n維的，支持向量一共有m個(gè)，則為m*n的稀疏矩陣。libsvmtrain函數(shù)有三個(gè)返回值，不需要的值在Matlab可以用~進(jìn)行代替。predicted_label：第一個(gè)返回值，表示樣本的預(yù)測(cè)類標(biāo)號(hào)。accuracy：第二個(gè)返回值，一個(gè)3x1的數(shù)組，表示分類的正確率、回歸的均方根誤差、回歸的平方相關(guān)系數(shù)。decision_values/prob_estimates：第三個(gè)返回值，一個(gè)矩陣包含決策的值或者概率估計(jì)。對(duì)于n個(gè)預(yù)測(cè)樣本、k類的問題，如果指定“b1”參數(shù)，則nxk的矩陣，每一行表示這個(gè)樣本分別屬于每一個(gè)類別的概率；如果沒有指定“b 1”參數(shù)，則為nxk*(k1)/2的矩陣，每一行表示k(k1)/2個(gè)二分類SVM的預(yù)測(cè)結(jié)果。libsvmread函數(shù)可以讀取以LIBSVM格式存儲(chǔ)的數(shù)據(jù)文件。[label_vector,instance_matrix]=libsvmread(‘’)。這個(gè)函數(shù)輸入的是文件的名字，輸出為樣本的類標(biāo)和對(duì)應(yīng)的特征。libsvmwrite函數(shù)可以把Matlab的矩陣存儲(chǔ)稱為L(zhǎng)IBSVM格式的文件。libsvmwrite(‘’, label_vector, instance_matrix]這個(gè)函數(shù)有三個(gè)輸入，分別為保存的文件名、樣本的類標(biāo)和對(duì)應(yīng)的特征（必須為double類型的稀疏矩陣）。 本文支持向量機(jī)二分類實(shí)驗(yàn)由于很難獲取到大量的機(jī)床數(shù)據(jù)，故本文將基于libsvm的方法，使用matlab2012b構(gòu)造一個(gè)二分類模型，為了驗(yàn)證這個(gè)模型的可靠性。將驗(yàn)證對(duì)圖像進(jìn)行分類。本實(shí)驗(yàn)采集了200幅圖片，恐龍類和花朵類各100張。選擇100張作為訓(xùn)練集數(shù)據(jù)，其中有50張恐龍的圖片，50張花朵的圖片。首先讀取圖像信息，將圖像信息以矩陣形式存儲(chǔ)到指定文件夾內(nèi)，加載二類數(shù)據(jù)然后利用libsvm的原理構(gòu)造訓(xùn)練集與測(cè)試集，先訓(xùn)練SVM分類器，進(jìn)行尺度縮放。接下來將剩下的100幅圖片投入測(cè)試，最終結(jié)果顯示本實(shí)驗(yàn)構(gòu)造的模型是合理的，最后的測(cè)試結(jié)果能達(dá)到100%的準(zhǔn)確率。圖像信息讀取程序運(yùn)行結(jié)果第五章 總結(jié)與展望 論文總結(jié)在工業(yè)領(lǐng)域，影響企業(yè)運(yùn)作最重要的一環(huán)就是生產(chǎn)效率，生產(chǎn)效率往往由很多因素決定，生產(chǎn)設(shè)備起著至關(guān)重要的作用。特別是在機(jī)床領(lǐng)域，由于刀具與工件不可避免地存在著接觸與摩擦，而在刀具高速運(yùn)轉(zhuǎn)的過程中磨損是不可避免的，刀具磨損到一定程度后果輕則影響產(chǎn)品質(zhì)量，重則引起生產(chǎn)事故。而刀具高速運(yùn)轉(zhuǎn)停機(jī)開機(jī)成本高昂，所以常常使用間接測(cè)量法對(duì)與刀具磨損相關(guān)量進(jìn)行檢測(cè)，獲取數(shù)據(jù)后經(jīng)過分析得出刀具是否處于磨損狀態(tài)。判斷刀具是否磨損是一個(gè)非常典型的二分類問題，而SVM是在數(shù)據(jù)挖掘領(lǐng)域應(yīng)用非常廣的一種算法，對(duì)于小樣本分類有非常好的效果。隨著信息技術(shù)的發(fā)展，支持向量機(jī)算法也得到了迅速的發(fā)展。本課題研究的主要內(nèi)容是：利用支持向量機(jī)的算法，對(duì)高速運(yùn)轉(zhuǎn)的刀具監(jiān)測(cè)數(shù)據(jù)進(jìn)行分類，判斷刀具是否磨損。由于條件限制，直接獲取大量的機(jī)床數(shù)據(jù)是相當(dāng)困難的。所以本文主要是構(gòu)造一個(gè)支持向量機(jī)的二分類模型，通過實(shí)驗(yàn)驗(yàn)證模型對(duì)于數(shù)據(jù)有良好的分類效果。那么可以利用此模型，對(duì)現(xiàn)有的機(jī)床數(shù)據(jù)進(jìn)行分類。本文通過對(duì)現(xiàn)有機(jī)床磨損監(jiān)測(cè)方法分析，選擇了振動(dòng)加速度間接測(cè)量法。在理論上對(duì)支持向量機(jī)原理進(jìn)行分析，最后使用matlab實(shí)現(xiàn)SVM二分類的算法。 展望支持向量機(jī)自90年代提出以來，隨著信息技術(shù)的發(fā)展和支持向量機(jī)本身具有的優(yōu)點(diǎn)，其理論和應(yīng)用在橫向和縱向都有了迅速的發(fā)展。目前支持向量機(jī)有著幾方面的研究熱點(diǎn)：核函數(shù)的構(gòu)造和參數(shù)的選擇；支持向量機(jī)從兩類問題向多類問題的推廣；更多的應(yīng)用領(lǐng)域的推廣；與目前其它機(jī)器學(xué)習(xí)方法的融合；與數(shù)據(jù)預(yù)處理（樣本的重要度，屬性的重要度，特征選擇等）方面方法的結(jié)合，將數(shù)據(jù)中脫離領(lǐng)域知識(shí)的信息，即數(shù)據(jù)本身的性質(zhì)融入支持向量機(jī)的算法中從而產(chǎn)生新的算法；支持向量機(jī)訓(xùn)練算法的探索。但支持向量機(jī)算法仍然存在著不足：(1) SVM算法對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施。(2) 如何確定核函數(shù)還沒有合適的方法，一般都是依靠相關(guān)領(lǐng)域的專業(yè)知識(shí)和經(jīng)驗(yàn)通過實(shí)驗(yàn)確定的，不具有一般性。注意格式致謝選到這個(gè)課題之后，初步了解了一下題目頓時(shí)覺得十分迷茫不知如何下手。整個(gè)題目對(duì)我來說完全是一個(gè)沒有接觸過的全新領(lǐng)域。而軟件方面一直是我的軟肋，可以說拿到這個(gè)題目，我感到了很大的壓力深恐不能完成任務(wù)。所以，這