支持向量机在图像处理应用中若干问题研究

摘要

该文工作包括:(1)核空间理论的应用及自适应核函数的选择该文研究了推广性能与核函数之间的关系,针对分类问题,提出了一种核函数选择的策略.(2)基于核空间方法的特征提取通过使用核空间方法,将主成份分析(PrincipalComponentAnalysis,简称PCA)扩展到非线性情况下,使得各个成份的提取更加细致.(3)SVM训练算法的改进在对SVM学习特点的深入分析基础上,该文利用博奕理论对SVM训练算法中比较经典的序列最小优化方法(SequentialMinimalOptimization,简称SMO)加以改进.

目录

文摘

英文文摘

插图、表目录

第一章序论

1.1论文背景

1.2结构风险最小化理论

1.3 SVM理论

1.3.1最优超平面

1.3.2线性SVM

1.3.3非线性SVM

1.3.4支持向量回归算法SVR(Support Vector Regression)

1.4本文的主要工作

1.4.1主要工作介绍

1.4.2本文的主要贡献

1.5组织结构

第二章核空间理论的应用及自适应核函数的选择

2.1引言

2.2相关工作

2.3核空间理论介绍

2.4推广性能与核函数

2.5自适应最小距离分类

2.6分类算法的改进

2.6.1核空间理论改进后的自适应最小距离分类算法

2.6.2自适应核函数选择

2.7多波段遥感图象分类实验

2.8结论

第三章基于核空间方法的特征提取

3.1引言

3.2经典的KARHUNEN-LOEVE变换

3.2.1 KARHUNEN-LOEVE变换原理

3.2.2 KARHUNEN-LOEVE变换过程

3.2.3遥感图像的K_L变换

3.3 Kernel主成份分析(Kernel PCA)

3.3.1特征空间中的K_L变换

3.3.2 Kernel PCA的特点

3.3.3遥感图像的Kernel PCA分析

3.4遥感图像的弱信息提取简介

3.5试验及结果

3.6结论

第四章SVM训练算法的改进

4.1引言

4.2 SVM分类描述

4.3相关工作

4.4序列最小优化SMO

4.4.1对两个拉格朗日乘子联合优化的分析求解

4.4.2优化的拉格朗日乘子的选择策略

4.4.3偏置b的计算以及错误缓存

4.4.4加速SMO

4.5 GSMO(Game Theory Based SMO)

4.6试验及结果

4.7结论

第五章结束语

5.1本文总结

5.2进一步的工作

致谢

参考文献

附录A附图

附录B SMO伪代码

附录C硕士期间参与的科研项目

附录D硕士期间发表的论文