基于統(tǒng)計學習理論的支持向量機分類方法研究.pdf

1、統(tǒng)計學習理論作為一種專門的小樣本學習理論,針對模式識別和機器學習的實際問題,在解決小樣本、非線性及高維模式識別等問題中表現出了許多特有的優(yōu)勢,使模式識別、機器學習的理論向前邁進了一大步.同時,在其理論基礎上發(fā)展出了很多實際的學習方法.支持向量機(SVM)就是最具代表性的一個,它專門針對有限樣本情況,得到現有信息下的最優(yōu)解,很大程度上解決了模型選擇、過學習、非線性、維數災難等問題.目前已經成為模式識別領域研究和應用的熱點.該文圍繞著支持向

2、量機分類器的算法及應用進行了一些探索性的研究.該文重點針對支持向量機分類器算法中待解決的核函數問題、算法速度問題和多類支持向量機的設計問題,以及支持向量機的一個重要的應用領域——人臉檢測問題,提出了新的核函數、新的快速算法和多類支持向量機分類樹,使SVM分類器在分類性能、推廣性和運算速度上都得到了提高,并設計了一種結合膚色模型的兩層支持向量機人臉檢測系統(tǒng),使復雜背景下的多人臉檢測更準確和魯棒.具有理論意義和實際應用價值.該文的主要工作與

3、創(chuàng)新之處包括:1.提出了一種新的基于空間距離的支持向量機核函數—MDGK核函數(Moderate-Decreasing Gauss Kernel).2.針對支持向量機分類器中兩類核函數,即全局核函數和局部核函數進行研究和分析,根據局部核函數的學習能力優(yōu)于全局核函數,而推廣能力則劣于全局核函數的特點,將兩者通過一定的系數結合成組合核函數,從而使兩者在學習和推廣能力兩方面的優(yōu)點得以結合.3.提出了一種新的支持向量機快速算法——基于殼向量的支

4、持向量機算法(HVSVM).4.提出了一種新的基于聚類的支持向量機迭代算法.5.提出了一種新的基于核聚類方法的多層次支持向量機分類樹.6.設計了一種結合膚色模型的兩層支持向量機人臉檢測系統(tǒng).統(tǒng)計學習理論和支持向量機在模式識別領域中,已經取得了很多成果,建立了一系列較完善的理論體系和方法,但也存在很多的尚未解決的理論和實際問題.作為模式識別中十分值得進一步深入研究的領域,它吸引著人們不斷地進行探索,做出有益的嘗試,使其在理論和應用的道路上