基于判別公共矢量的模式識別技術(shù)及其應用研究——SVM改進算法在噪音人臉分類中的應用.pdf

1、在計算機科研領域,眾多科研人員都希望計算機具有人類的智能,并為此展開了研究,模式識別技術(shù)便在這種情況下產(chǎn)生。人類在平時生活中經(jīng)常需要做出判斷,這種判斷對人來說再普通不過,但對計算機來說,卻是非常復雜的模式識別問題。我們研究復雜問題的一般方法是從基礎入手,然后逐漸深入,最終達到預期的研究效果。分類是最基礎的模式識別技術(shù),研究分類對模式識別技術(shù)的研究有著極其重要的意義。支持向量機作為一種非常優(yōu)秀的分類算法,近年來已經(jīng)成為模式識別技術(shù)中的一個

2、重要研究方向。
　　 本論文在研究了國內(nèi)外眾多改進的支持向量機算法后,針對支持向量機抗噪性能不強的缺點,將公共矢量(Common Vectors,CVs)引入了支持向量機中,提出了三種具有較強分類性能和抗噪性能的新算法,并通過實驗證明。本論文的工作重點是:
　　 第一部分是緒論部分,簡要介紹了模式識別技術(shù)的研究現(xiàn)狀以及應用領域。并對標準支持向量機現(xiàn)有的理論和算法進行了回顧。
　　 第二部分介紹了噪音人臉分類問題的

3、研究背景,并重點研究了近年來國內(nèi)外比較出色的支持向量機改進算法,分別是最小類內(nèi)方差支持向量機(MCVSVMs)和總間隔v支持向量機(TM-v-SVM)。深入研究了公共矢量的理論體系,并嘗試將公共矢量與支持向量機相結(jié)合。
　　 第三部分提出了總間隔v最小類內(nèi)方差支持向量機(TM-v-MCVSVMs)。TM-v.MCVSVMs繼承了MCVSVMs對分類數(shù)據(jù)集偏向性的支持,同時也保留了TM-v-SVM對不平衡性分類數(shù)據(jù)集的支持,因此T

4、M-v-MCVSVMs將MCVSVMs和TM-v-SVM的優(yōu)點相結(jié)合,具有更好的分類性能和抗噪性能。并使用BioID人臉數(shù)據(jù)庫進行噪音人臉的分類實驗進行驗證。
　　 第四部分提出了基于公共矢量的總間隔v最小類內(nèi)方差支持向量機(TM-v-M(CV)2SVMs)。TM-v-M(CV)2SVMs在保留了TM-v-MCVSVMs的優(yōu)點同時,通過引入由公共矢量構(gòu)成的散度矩陣Scom的方式,進一步加強了分類過程中的抗噪性能。通過在BioID

5、人臉數(shù)據(jù)庫中進行的噪音人臉分類實驗證明,TM-v-M(CV)2SVMs具有更好的分類性能和抗噪性能。
　　 第五部分提出了基于公共矢量的最小類內(nèi)方差支持向量機(CV-MCVSVM)。CV-MCVSVM以TM-v-M(CV)22SVMs為基礎,在優(yōu)化問題的定義中,將每個訓練樣本減去了兩類樣本的公共矢量的均值,去除了兩類訓練樣本中的相同的信息,從而更多的保留了分類信息。而且CV-MCVSVM中的支持向量具有稀疏性,提高了解決二次規(guī)劃