支持向量機算法研究及其在智能交通系統(tǒng)中的應用.pdf

1、傳統(tǒng)統(tǒng)計學研究的是樣本數(shù)目趨于無窮大時的漸進理論,而統(tǒng)計學習理論研究的是小樣本條件下的學習理論.由于實際的樣本數(shù)量是有限的,因而在理論上統(tǒng)計學習理論有其優(yōu)越性.基于統(tǒng)計學習理論和結(jié)構(gòu)風險最小化原則的支持向量機不僅模型結(jié)構(gòu)簡單,而且具有良好的泛化能力.因此,其受到了廣泛的關(guān)注,并逐漸成為機器學習領域的研究熱點之一. 隨著通信、信息與電子工程以及計算機技術(shù)的快速發(fā)展,智能交通系統(tǒng)越來越受到廣泛重視,從而對車型識別、車牌識別和交通流預

2、測等技術(shù)提出了更高要求.本文以支持向量機為基礎,對模式識別和回歸分析的基本算法及其在智能交通系統(tǒng)中應用進行了廣泛的研究. 本文的主要工作以及成果包括: (1)在中心型支持向量機基礎上,吸取了解決各類別樣本數(shù)量不均衡和增量學習的思想與方法,定義了一種新的權(quán)系數(shù)矩陣,并結(jié)合多類別分類問題,提出了均衡增量型多類別分類算法.實驗結(jié)果表明該算法具有較高的穩(wěn)定性和判別精度. (2)通過對幾種多類別分類算法的研究,分析了這些算

3、法的優(yōu)缺點,并結(jié)合霍夫曼樹,提出了一種基于霍夫曼決策樹的多類別分類算法.最后在多種開放式數(shù)據(jù)集上進行仿真實驗,結(jié)果驗證了該算法不僅具有較高判別精度,而且訓練效率非常高. (3)首先比較系統(tǒng)地對支持向量機回歸的理論和基本實現(xiàn)進行研究,然后分析了v-SVR的優(yōu)點與不足,并提出v-ESVR算法.實驗結(jié)果表明該算法可以有效地進行非線性系統(tǒng)建模；具有與v-SVR算法相類似的特性；另外,其對偶模型非常簡單,可以較方便地設計增量學習和在線回歸