【正文】 ，％。明顯優(yōu)于在傳統(tǒng)方法中效果最好的人工神經(jīng)元網(wǎng)絡方法。在人臉識別中，面部特征的提取和識別可看作是對3D物體的2D投影圖像進行匹配的問題。由于許多不確定性因素的影響，特征的選取與識別就成為一個難點。凌旭峰等及張燕昆等分別提出基于PCA與SVM相結合的人臉識別算法，充分利用了PCA在特征提取方面的有效性以及SVM在處理小樣本問題和泛化能力強等方面的優(yōu)勢，通過SVM與最近鄰距離分類器相結合，使得所提出的算法具有比傳統(tǒng)最近鄰分類器和BP網(wǎng)絡分類器更高的識別率。王宏漫等在PCA基礎上進一步做ICA，提取更加有利于分類的面部特征的主要獨立成分；然后采用分階段淘汰的支持向量機分類機制進行識別。對兩組人臉圖像庫的測試結果表明，基于SVM的方法在識別率和識別時間等方面都取得了較好的效果。說話人識別屬于連續(xù)輸入信號的分類問題，SVM是一個很好的分類器，但不適合處理連續(xù)輸入樣本。為此，忻棟等引入隱式馬爾可夫模型HMM，建立了SVM和HMM的混合模型。HMM適合處理連續(xù)信號，而SVM適臺于分類問題；HMM的結果反映了同類樣本的相似度，而SVM的輸出結果則體現(xiàn)了異類樣本間的差異。為了方便與HMM組成混合模型，首先將SVM的輸出形式改為概率輸出。實驗中使用YOHO數(shù)據(jù)庫，特征提取采用12階的線性預測系數(shù)分析及其微分，組成24維的特征向量。實驗表明HMM和SVM的結合達到了很好的效果。 文字／手寫體識別貝爾實驗室對美國郵政手寫數(shù)字庫進行的實驗，％，％(其中利用了大量先驗知識)，而用3種SVM方法(采用3種核函數(shù))％、％%，且是直接采用1616的字符點陣作為輸入，表明了SVM的優(yōu)越性能。手寫體數(shù)字O～9的特征可以分為結構特征、統(tǒng)計特征等。柳回春等在ＵＫ心理測試自動分析系統(tǒng)中組合SVM和其他方法成功地進行了手寫數(shù)字的識別實驗。另外，在手寫漢字識別方面，高學等提出了一種基于SVM的手寫漢字的識別方法，表明了SVM對手寫漢字識別的有效性。 圖像處理(1)圖像過濾。一般的互聯(lián)網(wǎng)色情網(wǎng)圖像過濾軟件主要采用網(wǎng)址庫的形式來封鎖色情網(wǎng)址或采用入工智能方法對接收到的中、英文信息進行分析甄別。段立娟等提出一種多層次特定類型圖像過濾法，即以綜合膚色模型檢驗，支持向量機分類和最近鄰方法校驗的多層次圖像處理框架，達到85％以上的準確率。(2)視頻字幕提取。攬頻字幕蘊含了豐富語義，可用于對相應視頻流進行高級語義標注。莊越挺等提出并實踐了基于SVM的視頻字幕自動定位和提取的方法。該方法首先將原始圖像幀分割為N*N的子塊，提取每個子塊的灰度特征；然后使用預先訓練好的SVM分類機進行字幕子塊和非字幕子塊的分類；最后結合金字塔模型和后期處理過程，實現(xiàn)視頻圖像字幕區(qū)域的自動定位提取。實驗表明該方法取得了良好的效果。(3)圖像分類和檢索。由于計算機自動抽取的圖像特征和人所理解的語義間存在巨大的差距，圖像檢索結果難以令人滿意。近年來出現(xiàn)了相關反饋方法，張磊等以SVM為分類器，在每次反饋中對用戶標記的正例和反例樣本進行學習，并根據(jù)學習所得的模型進行檢索，使用由９９１８幅圖像組成的圖像庫進行實驗，結果表明，在有限訓練樣本情況下具有良好的泛化能力。目前3D虛擬物體圖像應用越來越廣泛，肖俊等提出了一種基于SVM對相似3D物體識別與檢索的算法。該算法首先使用細節(jié)層次模型對3D物體進行三角面片數(shù)量的約減，然后提取3D物體的特征，由于所提取的特征維數(shù)很大，因此先用獨立成分分析進行特征約減，然后使用SVM進行識別與檢索。將該算法用于3D丘陵與山地的地形識別中，取得了良好效果。 其他應用研究(1)由于SVM的優(yōu)越性，其應用研究目前開展已經(jīng)相當廣泛。陳光英等設計并實現(xiàn)了一種基于SVM分類機的網(wǎng)絡入侵檢測系統(tǒng)。它收集并計算除服務器端口之外TCP／IP的流量特征．使用SVM算法進行分類，從而識別出該連接的服務類型，通過與該連接服務器端口所表明服務類型的比較，檢測出異常的TCP連接。實驗結果表明，系統(tǒng)能夠有效地檢測出異常TCP連接。(2)口令認證簡便易實現(xiàn)，但容易被盜用。劉學軍等提出利用SVM進行鍵入特性的驗真，并通過實驗將其與BP、RBF、PNN和LVQ 4種神經(jīng)網(wǎng)絡模型進行對比。證實了采用SVM進行鍵入特性驗真的有效性。(3)李曉黎等提出了一種將SVM與無監(jiān)督聚類相結合的新分類算法，并應用于網(wǎng)頁分類問題。該算法首先利用無監(jiān)督聚類分別對訓練集中正例和反例聚類．然后挑選一些例子訓練SVM并獲得SVM分類器。任何網(wǎng)頁可以通過比較其與聚類中心的距離決定采用無監(jiān)督聚類方法或SVM分類器進行分類。該算法充分利用了SVM準確率高與無監(jiān)督聚類速度快的優(yōu)點。實驗表明它不僅具有較高的訓練效率，而且有很高的精確度。(4)劉江華等提出并實現(xiàn)一個用于人機交互的靜態(tài)手勢識別系統(tǒng)。基于皮膚顏色模型進行手勢分割，并用傅立葉描述子描述輪廓，采用最小二乘支持向量機(LSSVM)作為分類器。提出了LSSVM的增量訓練方式，避免了費時的矩陣求逆操作。為實現(xiàn)多類手勢識別，利用DAG(Directcd Acyclic Graph)將多個兩類LSSVM結合起來。對26個字母手勢進行識別。與多層感知器、徑向基函數(shù)網(wǎng)絡等方法比較，LSSVM的識別率最高，％。另外的研究還有應用SVM進行文本分類、應用SVM構造自底向上二叉樹結構進行空間數(shù)據(jù)聚類分析等。近年來，SVM在工程實踐、化學化工等方面也取得了很多有益的應用研究成果，其應用領域日趨廣泛。第四章 基于SVM的實例及仿真結果 16棋盤格數(shù)據(jù)分類試驗目的：產(chǎn)生16棋盤的訓練數(shù)據(jù)，用svm訓練出一個模型，然后對新來的樣本進行分類預測。試驗說明：訓練數(shù)據(jù)樣本數(shù)為1600個，即每個格子中隨機產(chǎn)生100個數(shù)據(jù)點，分為2類，2種顏色分布在16個格子中，相交分布。測試數(shù)據(jù)樣本點數(shù)為320個，即每個格子中的數(shù)據(jù)點為20個。如果分類預測正確，則用綠色畫出，預測錯誤，則用紅色畫出。實驗代碼見附件實驗結果：　產(chǎn)生的訓練樣本分布圖如下所示：訓練樣本分布圖如下：預測結果如下(如果分類正確用綠色顯示，否則用紅色顯示)：實驗結果評價指標：　最后的預測準確度，MSE等指標如下所示：checkerboard_16_accuarcy=實驗總結： 由實驗結果可知，%，比較低。原因是svm在訓練的過程中采用的是默認參數(shù)，實際上我們應該對這些參數(shù)進行尋有，或者采用暴力查找。 UCI中iris數(shù)據(jù)分類實驗數(shù)據(jù)：本次試驗數(shù)據(jù)來源于，其數(shù)據(jù)類別分為3類，setosa，versicolor，共150個。每個樣本有4個屬性，分別為花萼長，花萼寬，花瓣長，花瓣寬。數(shù)據(jù)格式如下所示:class: Iris Setosa Iris Versicolour Iris Virginica試驗目的：用樣本中的數(shù)據(jù)訓練處的模型對新來的樣本進行分類。試驗步驟：把數(shù)據(jù)分為2部分，訓練數(shù)據(jù)每類40個，測試數(shù)據(jù)每類10個。用svm對訓練數(shù)據(jù)進行學習。用學習到的模型對預測數(shù)據(jù)進行分類。實驗代碼見附件實驗結果：accuracy=%。實驗總結：通過本次試驗，初步學會了SVM在matlab中的應用