支持向量機(jī)(svm)原理及應(yīng)用概述-資料下載頁(yè)
2025-06-23 18:36本頁(yè)面
【正文】 位提取。實(shí)驗(yàn)表明該方法取得了良好的效果。(3)圖像分類和檢索。由于計(jì)算機(jī)自動(dòng)抽取的圖像特征和人所理解的語(yǔ)義間存在巨大的差距，圖像檢索結(jié)果難以令人滿意。近年來(lái)出現(xiàn)了相關(guān)反饋方法，張磊等以SVM為分類器，在每次反饋中對(duì)用戶標(biāo)記的正例和反例樣本進(jìn)行學(xué)習(xí)，并根據(jù)學(xué)習(xí)所得的模型進(jìn)行檢索，使用由９９１８幅圖像組成的圖像庫(kù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明，在有限訓(xùn)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(yīng)用越來(lái)越廣泛，肖俊等提出了一種基于SVM對(duì)相似3D物體識(shí)別與檢索的算法。該算法首先使用細(xì)節(jié)層次模型對(duì)3D物體進(jìn)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(dú)立成分分析進(jìn)行特征約減，然后使用SVM進(jìn)行識(shí)別與檢索。將該算法用于3D丘陵與山地的地形識(shí)別中，取得了良好效果。（五）其他應(yīng)用研究(1)由于SVM的優(yōu)越性，其應(yīng)用研究目前開(kāi)展已經(jīng)相當(dāng)廣泛。陳光英等設(shè)計(jì)并實(shí)現(xiàn)了一種基于SVM分類機(jī)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)。它收集并計(jì)算除服務(wù)器端口之外TCP／IP的流量特征．使用SVM算法進(jìn)行分類，從而識(shí)別出該連接的服務(wù)類型，通過(guò)與該連接服務(wù)器端口所表明服務(wù)類型的比較，檢測(cè)出異常的TCP連接。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)能夠有效地檢測(cè)出異常TCP連接。(2)口令認(rèn)證簡(jiǎn)便易實(shí)現(xiàn)，但容易被盜用。劉學(xué)軍等提出利用SVM進(jìn)行鍵入特性的驗(yàn)真，并通過(guò)實(shí)驗(yàn)將其與BP、RBF、PNN和LVQ 4種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比。證實(shí)了采用SVM進(jìn)行鍵入特性驗(yàn)真的有效性。(3)李曉黎等提出了一種將SVM與無(wú)監(jiān)督聚類相結(jié)合的新分類算法，并應(yīng)用于網(wǎng)頁(yè)分類問(wèn)題。該算法首先利用無(wú)監(jiān)督聚類分別對(duì)訓(xùn)練集中正例和反例聚類．然后挑選一些例子訓(xùn)練SVM并獲得SVM分類器。任何網(wǎng)頁(yè)可以通過(guò)比較其與聚類中心的距離決定采用無(wú)監(jiān)督聚類方法或SVM分類器進(jìn)行分類。該算法充分利用了SVM準(zhǔn)確率高與無(wú)監(jiān)督聚類速度快的優(yōu)點(diǎn)。實(shí)驗(yàn)表明它不僅具有較高的訓(xùn)練效率，而且有很高的精確度。(4)劉江華等提出并實(shí)現(xiàn)一個(gè)用于人機(jī)交互的靜態(tài)手勢(shì)識(shí)別系統(tǒng)。基于皮膚顏色模型進(jìn)行手勢(shì)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(jī)(LSSVM)作為分類器。提出了LSSVM的增量訓(xùn)練方式，避免了費(fèi)時(shí)的矩陣求逆操作。為實(shí)現(xiàn)多類手勢(shì)識(shí)別，利用DAG(Directcd Acyclic Graph)將多個(gè)兩類LSSVM結(jié)合起來(lái)。對(duì)26個(gè)字母手勢(shì)進(jìn)行識(shí)別。與多層感知器、徑向基函數(shù)網(wǎng)絡(luò)等方法比較，LSSVM的識(shí)別率最高，％。另外的研究還有應(yīng)用SVM進(jìn)行文本分類、應(yīng)用SVM構(gòu)造自底向上二叉樹(shù)結(jié)構(gòu)進(jìn)行空間數(shù)據(jù)聚類分析等。近年來(lái)，SVM在工程實(shí)踐、化學(xué)化工等方面也取得了很多有益的應(yīng)用研究成果，其應(yīng)用領(lǐng)域日趨廣泛。四、結(jié)論和討論以統(tǒng)計(jì)學(xué)習(xí)理論作為堅(jiān)實(shí)的理論依據(jù)，SVM有很多優(yōu)點(diǎn)，如基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化，克服了傳統(tǒng)方法的過(guò)學(xué)習(xí)（Overfitting）和陷入局部最小的問(wèn)題，具有很強(qiáng)的泛化能力；采用核函數(shù)方法，向高維空間映射時(shí)并不增加計(jì)算的復(fù)雜性，又有效地克服了維數(shù)災(zāi)難(Curse of Dimensionality)問(wèn)題。但同時(shí)也要看到目前SVM研究的一些局限性：（1) SVM的性能很大程度上依賴于核函數(shù)的選擇，但沒(méi)有很好的方法指導(dǎo)針對(duì)具體問(wèn)題的核函數(shù)選擇；（2) 訓(xùn)練測(cè)試SVM的速度和規(guī)模是另一個(gè)問(wèn)題，尤其是對(duì)實(shí)時(shí)控制問(wèn)題，速度是一個(gè)對(duì)SVM應(yīng)用的很大限制因素；針對(duì)這個(gè)問(wèn)題。Platt和Keerthi等分別提出了SMO(Sequential Minimization Optimization)和改進(jìn)的SMO方法，但還值得進(jìn)一步研究；（3) 現(xiàn)有SVM理論僅討論具有固定懲罰系數(shù)C的情況，而實(shí)際上正負(fù)樣本的兩種誤判往往造成損失是不同的。顯然，SVM實(shí)際應(yīng)用中表現(xiàn)出的性能決定于特征提取的質(zhì)量和SVM兩方面：特征提取是獲得好的分類的基礎(chǔ)，對(duì)于分類性能，還可以結(jié)合其他方法進(jìn)一步提高。就目前的應(yīng)用研究狀況而言，盡管支持向最機(jī)的應(yīng)用研究已經(jīng)很廣泛，但應(yīng)用尚不及人工神經(jīng)網(wǎng)絡(luò)方法，所以有理由相信SVM的應(yīng)用研究還有很大潛力可挖。
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1