基于支持向量机的模式识别.pdf

基于支持向量机的模式识别

摘要

随着人工智能和机器学习学科的不断发展，传统的机器学习方法已经不能适
应学科的快速发展。而支持向量机（SupportVectorMachine，SVM）则是根据统
计学习理论提出的一种新型且有效的机器学习方法，它以结构风险最小化和VC
维理论为基础，适当的选择函数子集和决策函数，使学习机器的实际风险最小化，
通过对有限的训练样本进行最小误差分类。支持向量机能够较好的解决小样本、
非线性、过学习和局部最小等实际问题，同时具有较强的推广能力。支持向量机
的样本训练问题实质是求解一个大的凸二次规划问题，从而所得到的解也是全局
最优的，通常也是唯一的解。
本文以支持向量机理论为基础，对其在模式识别领域的应用进行系统的研
究。首先运用传统的增式支持向量机对历史数据分类，该分类结果表明对于较复
杂的数据辨识时效果不佳。然后运用改进后的增式支持向量机对历史数据进行分
类，再利用支持向量机具有的分类优势对数据进行模式识别。
本文对传统增式支持向量机算法和改进增式支持向量机算法进行了仿真对
比，仿真结果体现了改进增式支持向量机算法的优越性，改进增式支持向量机算
法减少了训练样本集的样本数量，优化了时间复杂度和空间复杂度，提高了分类
效率。该方法应用于模式识别领域中能明显提高系统的准确率。
关键词：支持向量机；模式识别；多类分类；增式算法

PDF文件使用"pdfFactoryPro"试用版本创建www.fineprint.com.cn

PatternRecognitionBasedonSupportVectorMachine

Abstract
Withthedisciplineofartificialintelligenceandmachinelearningcontinuesto
evolve,traditionalmachinelearningmethodscannotadapttotherapiddevelopment
ofdisciplines.Thesupportvectormachine(SupportVectorMachine,SVM)isbased
onstatisticallearningtheoryanewandeffectivemachinelearningmethod,whichto
baseonthestructuralriskminimizationandtheVCdimensiontheory,afunction
subsetofappropriatechoiceanddecision-makingfunctionofappropriatechoice,the
learningmachinetominimizetheactualrisk,throughthelimitedtrainingsamplesfor
minimumerrorclassification.SVMcansolvethesmallsample,nonlinear,over
learningandlocalminimumpracticalissues,butalsoithasastrongoutreachcapacity.
SampletrainingproblemsofSupportVectorMachinestosolvereallyalargeconvex
quadraticprogrammingproblems,andtotheglobaloptimalsolutionisalsoobtained,
usuallytheonlysolution.
Thispaperbasedonsupportvectormachinetheory,itsapplicationinthefieldof
patternrecognitionsystem.First,byusingthetraditionalincrementalsupportvector
machineclassificationofhistoricaldata,theclassificationresultsshowthatthedata
fortheidentificationofmorecomplexwhentheresultsarepoor.Andthenimproved
bytheuseofincrementalSupportVectorMachinestoclassifythehistoricaldata,and
thenusetheclassificationofSupportVectorMachinehasadvantagesfordatapattern
recognition.
Thistypeoftraditionalin