支持向量機(jī)算法研究及在森林健康監(jiān)測(cè)系統(tǒng)中的應(yīng)用.pdf

1、與神經(jīng)網(wǎng)絡(luò)、決策樹(shù)和貝葉斯網(wǎng)絡(luò)等傳統(tǒng)識(shí)別工具相比,支持向量機(jī)的原始問(wèn)題模型建立在凸規(guī)劃模型以及嚴(yán)格的統(tǒng)計(jì)學(xué)理論基礎(chǔ)之上,所以支持向量機(jī)具有更好的泛化能力和獲取全局解能力。與一般的線性機(jī)器學(xué)習(xí)方法相比,支持向量機(jī)在對(duì)非線性問(wèn)題的解決中,在引進(jìn)核函數(shù)的過(guò)程中,以向量?jī)?nèi)積的方式避免了非線性數(shù)據(jù)集在向高維的線性特征空間映射時(shí)所帶來(lái)的維數(shù)災(zāi)難問(wèn)題。但是原始問(wèn)題的解決算法對(duì)內(nèi)存耗費(fèi)的過(guò)高需求使之不適合應(yīng)用于樣本數(shù)目多和維度大的數(shù)據(jù)集,使之在森林健康

2、監(jiān)測(cè)系統(tǒng)中,無(wú)法很好地滿(mǎn)足視頻圖像的監(jiān)測(cè)所需要的實(shí)時(shí)性和低誤差要求。
　　為此本文重點(diǎn)研究了支持向量機(jī)在核空間下的邊界提取算法、分解分塊算法的提升和參數(shù)選擇算法,以此來(lái)提高支持向量機(jī)在森林健康監(jiān)測(cè)系統(tǒng)中的處理性能。在傳統(tǒng)的邊界提取算法中,雖然也是在映射后的核空間中進(jìn)行,但是度量的單一性使之無(wú)法廣泛在各種不同分布特點(diǎn)的數(shù)據(jù)集上獲得良好的處理效果,因此在核空間下提出了新的度量模型。而現(xiàn)有的分解分塊算法會(huì)在較大程度下,使決策函數(shù)偏離最優(yōu)

3、解,因此在改進(jìn)現(xiàn)有的分解算法的基礎(chǔ)上融合分塊算法,提高算法的效率并使決策函數(shù)能更好的接近最優(yōu)解。另外,本文從奇異點(diǎn)比例來(lái)界定新算法預(yù)測(cè)精度的角度來(lái)進(jìn)行參數(shù)優(yōu)化,避免了中間訓(xùn)練器的產(chǎn)生,提高了尋參效率。來(lái)自UCI和Statlog等多個(gè)數(shù)據(jù)集的仿真效果說(shuō)明了新算法的有效性。
　　在森林健康監(jiān)測(cè)系統(tǒng)中,森林火災(zāi)的監(jiān)控識(shí)別是其重要組成部分,本文在森林健康監(jiān)測(cè)系統(tǒng)中的主要應(yīng)用也是在此。在現(xiàn)有的主要監(jiān)測(cè)系統(tǒng)中,很多系統(tǒng)根據(jù)視頻中的煙霧特征進(jìn)行