支持向量機(jī)參數(shù)優(yōu)化及其筆跡鑒別中的應(yīng)用.pdf

1、針對小樣本條件的支持向量機(jī)，由于其在很大程度上解決了過學(xué)習(xí)、非線性和維數(shù)災(zāi)難等傳統(tǒng)分類器難以克服的難題，因而在模式識別領(lǐng)域得到了越來越廣泛的應(yīng)用。模型參數(shù)的選擇對支持向量機(jī)的最終分類結(jié)果具有重要影響，然而目前常用的參數(shù)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(yīng)用領(lǐng)域，筆跡鑒別的特征提取對鑒別結(jié)果具有重要影響，如何通過特征融合技術(shù)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(diǎn)研究

2、了基于人工蜂群算法的支持向量機(jī)參數(shù)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(shí)驗(yàn)分別驗(yàn)證了上述兩種方法的有效性。本文的研究內(nèi)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(jī)參數(shù)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(jī)參數(shù)優(yōu)化方法。將支持向量機(jī)的懲罰因子和核函數(shù)參數(shù)作為食物源位置，分類正確率作為適應(yīng)度，利用人工蜂群算法尋找適應(yīng)度最高的食物源位置。通過4個標(biāo)準(zhǔn)UC

3、I數(shù)據(jù)集，與遺傳算法、蟻群算法、標(biāo)準(zhǔn)粒子群算法優(yōu)化的支持向量機(jī)進(jìn)行對比分析，實(shí)驗(yàn)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(shù)目分類問題上有效降低運(yùn)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(lǐng)域仍需要更加深入的研究。本課題分別編程實(shí)現(xiàn)了筆跡圖像的Gabor特征，小波系數(shù)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(biāo)準(zhǔn)粒子群算法優(yōu)化的支持向量機(jī)進(jìn)行對比分析，證明基于人工蜂群算法優(yōu)化的支持向量機(jī)在筆跡鑒別領(lǐng)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(jī)下的分類結(jié)果，分析各種筆跡特征的優(yōu)點(diǎn)與不足。在此基礎(chǔ)上，將得到的所有特征共100維進(jìn)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(jìn)行特征融合，利用人工蜂群算法優(yōu)化的支持向量機(jī)作為分類器對融合特征進(jìn)行分類識別。通過150份實(shí)際筆