支持向量機(svm)原理及應(yīng)用概述-資料下載頁
2025-06-23 18:36本頁面
【正文】 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(jié)果難以令人滿意。近年來出現(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進(jìn)行實驗，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(xì)節(jié)層次模型對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，因此先用獨立成分分析進(jìn)行特征約減，然后使用SVM進(jìn)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。（五）其他應(yīng)用研究(1)由于SVM的優(yōu)越性，其應(yīng)用研究目前開展已經(jīng)相當(dāng)廣泛。陳光英等設(shè)計并實現(xiàn)了一種基于SVM分類機的網(wǎng)絡(luò)入侵檢測系統(tǒng)。它收集并計算除服務(wù)器端口之外TCP／IP的流量特征．使用SVM算法進(jìn)行分類，從而識別出該連接的服務(wù)類型，通過與該連接服務(wù)器端口所表明服務(wù)類型的比較，檢測出異常的TCP連接。實驗結(jié)果表明，系統(tǒng)能夠有效地檢測出異常TCP連接。(2)口令認(rèn)證簡便易實現(xiàn)，但容易被盜用。劉學(xué)軍等提出利用SVM進(jìn)行鍵入特性的驗真，并通過實驗將其與BP、RBF、PNN和LVQ 4種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比。證實了采用SVM進(jìn)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(jié)合的新分類算法，并應(yīng)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(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(jìn)行分類。該算法充分利用了SVM準(zhǔn)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(xùn)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)?；谄つw顏色模型進(jìn)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(xùn)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(jié)合起來。對26個字母手勢進(jìn)行識別。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)造自底向上二叉樹結(jié)構(gòu)進(jìn)行空間數(shù)據(jù)聚類分析等。近年來，SVM在工程實踐、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)計學(xué)習(xí)理論作為堅實的理論依據(jù)，SVM有很多優(yōu)點，如基于結(jié)構(gòu)風(fēng)險最小化，克服了傳統(tǒng)方法的過學(xué)習(xí)（Overfitting）和陷入局部最小的問題，具有很強的泛化能力；采用核函數(shù)方法，向高維空間映射時并不增加計算的復(fù)雜性，又有效地克服了維數(shù)災(zāi)難(Curse of Dimensionality)問題。但同時也要看到目前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，但沒有很好的方法指導(dǎo)針對具體問題的核函數(shù)選擇；（2) 訓(xùn)練測試SVM的速度和規(guī)模是另一個問題，尤其是對實時控制問題，速度是一個對SVM應(yīng)用的很大限制因素；針對這個問題。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)評公示相關(guān)推薦
鄂ICP備17016276號-1