基于支持向量機的車輛識別和地震預測研究.pdf

1、統(tǒng)計學習理論（Statistical Learning Theory, 簡稱SLT）是由Vapnik等人提出的可應用于小樣本分析的統(tǒng)計理論。支持向量機（Support Vector Machine，簡稱SVM）是基于統(tǒng)計學習理論的一種新的機器學習方法。它遵循結(jié)構(gòu)風險最小化原則，克服了基于經(jīng)驗風險最小化學習方法（如貝葉斯分類器、決策樹和人工神經(jīng)網(wǎng)絡等）泛化能力較差的缺點，并已在很多研究領(lǐng)域得到了廣泛的應用。 本文利用支持向量機分別

2、根據(jù)車輛的輪廓特征、車輛運行時所產(chǎn)生的聲波和地表震動信號特征進行車輛識別，并分析和比較了不同的特征提取和選擇方法對分類準確率的影響，同時比較了支持向量機和其它分類器的分類能力。 本文首次提出并應用支持向量機進行了地震預測研究。 以下是本文的主要內(nèi)容： （1） 對目前使用的特征提取和選擇方法進行了綜述，介紹了遺傳算法(GA)、主成分分析法(PCA)、獨立成分分析法(ICA)、獨立主元分析法、粒子群尋優(yōu)算法(PSO)

3、、模擬退火算法(SA)和其他常用的特征提取和選擇方法的算法、及其優(yōu)點和缺點。 （2）介紹了幾種常用的分類方法的分類原理。包括貝葉斯分類器、決策樹和人工神經(jīng)網(wǎng)絡。對支持向量機的分類原理進行了詳細的敘述，并介紹其算法、實現(xiàn)、發(fā)展和在相關(guān)領(lǐng)域中的應用。 （3）分別利用車輛輪廓特征、聲音信號和地表震動信號，結(jié)合支持向量機分類原理，對車輛類型進行了分類研究。分析了不同特征提取和特征選擇方法對分類準確率的影響。同時對不同分類器的分類

4、性能進行了比較。結(jié)果表明: 支持向量機的分類準確率明顯高于其他分類器；PCA降維能力優(yōu)于GA，且耗時遠小于GA。但是，在同種分類器下，利用PCA進行特征選擇得到的測試集和獨立集的分類準確率低于GA。將PCA和GA分別選出的特征向量合并后進行分類所得到的準確率均高于單獨利用其中任何一種特征選擇方法的（PCA或GA）。 （4）針對車輛聲音信號和地表震動信號的特征，提出了一種基于能譜密度的特征選擇方法。該方法能重構(gòu)聲音和地表震動信號的

5、特征向量。研究結(jié)果表明, 采用該方法在不降低分類效果的同時,還能有效地減少特征向量的維數(shù)和提高分類準確率。 （5）基于支持向量機,根據(jù)地震發(fā)生前后地表震動信號對發(fā)生在美國加利弗里亞中部的兩次大地震進行了地震預測研究，分析了地震動信號的地域性，研究了地震動信號和地震發(fā)生的時間、地點和震級之間的關(guān)系。研究結(jié)果表明:震前SVM監(jiān)測模型能在震前24小時內(nèi)監(jiān)測到震前地震波。隨著地震的臨近，監(jiān)測到震前地震波的幾率越高（達70％~90％）；在