支持向量機算法研究及在森林健康監(jiān)測系統(tǒng)中的應用.pdf

1、與神經(jīng)網(wǎng)絡、決策樹和貝葉斯網(wǎng)絡等傳統(tǒng)識別工具相比,支持向量機的原始問題模型建立在凸規(guī)劃模型以及嚴格的統(tǒng)計學理論基礎之上,所以支持向量機具有更好的泛化能力和獲取全局解能力。與一般的線性機器學習方法相比,支持向量機在對非線性問題的解決中,在引進核函數(shù)的過程中,以向量內(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所帶來的維數(shù)災難問題。但是原始問題的解決算法對內(nèi)存耗費的過高需求使之不適合應用于樣本數(shù)目多和維度大的數(shù)據(jù)集,使之在森林健康

2、監(jiān)測系統(tǒng)中,無法很好地滿足視頻圖像的監(jiān)測所需要的實時性和低誤差要求。
　　為此本文重點研究了支持向量機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,以此來提高支持向量機在森林健康監(jiān)測系統(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行,但是度量的單一性使之無法廣泛在各種不同分布特點的數(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在較大程度下,使決策函數(shù)偏離最優(yōu)

3、解,因此在改進現(xiàn)有的分解算法的基礎上融合分塊算法,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,本文從奇異點比例來界定新算法預測精度的角度來進行參數(shù)優(yōu)化,避免了中間訓練器的產(chǎn)生,提高了尋參效率。來自UCI和Statlog等多個數(shù)據(jù)集的仿真效果說明了新算法的有效性。
　　在森林健康監(jiān)測系統(tǒng)中,森林火災的監(jiān)控識別是其重要組成部分,本文在森林健康監(jiān)測系統(tǒng)中的主要應用也是在此。在現(xiàn)有的主要監(jiān)測系統(tǒng)中,很多系統(tǒng)根據(jù)視頻中的煙霧特征進行