SVR的魯棒性及其在圖像恢復中的應用研究.pdf

1、支持向量機SVM是實現(xiàn)統(tǒng)計學習理論的通用學習方法，其優(yōu)異的泛化性能使得支持向量機在模式識別、回歸分析和預測、密度估計等領域都得到了實際應用。當SVM用于回歸分析和預測時，通常稱其為支持向量回歸機SVR。在回歸分析中，樣本數(shù)據(jù)通常含有噪聲。如何選擇合適的參數(shù)使得支持向量回歸機SVR更具魯棒性，從而對樣本數(shù)據(jù)噪聲產(chǎn)生盡可能強的抑制能力，是一個有著重要的理論價值和應用價值的課題。本文的主要目的就是研究常見的兩種SVR的參數(shù)與輸入樣本數(shù)據(jù)的噪聲

2、間的關系，從而為魯棒的SVR的參數(shù)選擇提供理論依據(jù)。 首先研究了SVR的魯棒性的問題，即著重研究了當輸入樣本噪聲為高斯模型時，Huber-SVR和r范數(shù)-SVR的參數(shù)選擇問題，并在貝葉斯框架下推導出了以下結論：當SVR的魯棒性最佳時，Huber-SVR中的參數(shù)μ與輸入高斯噪聲的標準差σ間呈近似線性關系；r范數(shù)-SVR的參數(shù)r與輸入高斯噪聲的標準差σ間呈近似線性反比關系。這兩個結論亦得到了實驗的證實。 還以圖像恢復為應用背