支持向量機參數優(yōu)化及其筆跡鑒別中的應用.pdf

1、針對小樣本條件的支持向量機，由于其在很大程度上解決了過學習、非線性和維數災難等傳統(tǒng)分類器難以克服的難題，因而在模式識別領域得到了越來越廣泛的應用。模型參數的選擇對支持向量機的最終分類結果具有重要影響，然而目前常用的參數優(yōu)化方法都在不同程度上均陷入了局部最優(yōu)解問題。筆跡鑒別是模式識別的重要應用領域，筆跡鑒別的特征提取對鑒別結果具有重要影響，如何通過特征融合技術使特征向量更加有效地表征不同筆跡，是值得研究的問題。本課題圍繞上述問題，重點研究

2、了基于人工蜂群算法的支持向量機參數優(yōu)化方法和基于主成分分析的筆跡特征提取方法并通過筆跡鑒別實驗分別驗證了上述兩種方法的有效性。本文的研究內容和成果主要體現(xiàn)在以下兩個方面：
　　為解決常用的支持向量機參數優(yōu)化方法在尋優(yōu)過程不同程度的陷入局部最優(yōu)解的問題，提出一種基于人工蜂群算法的支持向量機參數優(yōu)化方法。將支持向量機的懲罰因子和核函數參數作為食物源位置，分類正確率作為適應度，利用人工蜂群算法尋找適應度最高的食物源位置。通過4個標準UC

3、I數據集，與遺傳算法、蟻群算法、標準粒子群算法優(yōu)化的支持向量機進行對比分析，實驗證明本文方法能克服局部最優(yōu)解，獲得更高的分類正確率，并在小數目分類問題上有效降低運行時間。
　　目前筆跡鑒別的特征提取方法很多，能夠在特定約束條件下取得較好效果，但是特征融合領域仍需要更加深入的研究。本課題分別編程實現(xiàn)了筆跡圖像的Gabor特征，小波系數矩陣均值和方差特征、小波能量特征作為筆跡全局特征，提取單字的不變矩作為筆跡局部特征。針對每種筆跡特征

4、，利用人工蜂群算法、遺傳算法、蟻群算法、標準粒子群算法優(yōu)化的支持向量機進行對比分析，證明基于人工蜂群算法優(yōu)化的支持向量機在筆跡鑒別領域的優(yōu)越性；同時，對比四種筆跡特征在人工蜂群算法優(yōu)化的支持向量機下的分類結果，分析各種筆跡特征的優(yōu)點與不足。在此基礎上，將得到的所有特征共100維進行線性組合。利用主成分分析方法對原始特征組成的100維特征向量進行特征融合，利用人工蜂群算法優(yōu)化的支持向量機作為分類器對融合特征進行分類識別。通過150份實際筆