| 【中文题名】 | 基于支持向量机的机器学习研究 |
| 【英文题名】 | Research of Machine-Learning Based Support Vector Machine |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2005-12-9 |
| 【中关键词】 | 机器学习,统计学习理论,支持向量机,SMO,人脸检测, |
| 【英关键词】 | Machine-Learning,Statistical Learning Theory,Support Vector Machine,SMO,Face-Detection, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>自动推理、机器学习> |
| 【论文摘要】 | 学习是一切智能系统最根本的特征。机器学习是人工智能最具智能特征、最前沿的研究领域之一。机器学习研究的是如何使机器通过识别和利用现有知识来获取新知识和新技能。机器学习就是要使计算机能模拟人的学习行为,自动地通过学习获取知识和技能,不断改善性能,实现自我完善。
与传统统计学相比,统计学习理论是一种专门研究小样本情况下机器学习规律的理论。V.Vapnik 等人从六、七十年代开始致力于此方面研究,到九十年代中期,其理论不断发展和成熟。统计学习理论是建立在一套较坚实的理论基础之上的,为解决有限样本学习问题提供了一个统一的框架,它能将很多现有方法纳入其中,同时,在这一理论基础上发展了一种新的通用学习方法——支持向量机(Support Vector Machine 或 SVM),它已初步表现出很多优于已有方法的性能。
本文对机器学习、支持向量机的研究现状及应用领域进行了综述,阐述了机器学习和支持向量机的基本概念、基本模型和支持向量机的训练算法。针对机器学习系统的具体结构,提出了机器学习系统的模块化设计,划分出了输入处理、训练、执行与评价、评价表示 4 个模块,设计了各个模块之间的通信方式,并具体实现了 4 ... |
| 【论文题纲】 |
|
第一章 机器学习 |
8-16 |
|
1.1 机器学习系统的基本结构 |
8-10 |
|
1.2 机器学习的主要策略 |
10-14 |
|
1.2.1 机械式学习 |
10 |
|
1.2.2 指导式学习 |
10-11 |
|
1.2.3 归纳学习(Inductive Learning) |
11 |
|
1.2.4 类比学习(Learning by Analogy) |
11 |
|
1.2.5 基于解释的学习(Explamation2Based Learning，EBL) |
11-12 |
|
1.2.6 基于神经网络的学习 |
12 |
|
1.2.7 支持向量机(Support Vector Machine，SVM) |
12-13 |
|
1.2.8 基于遗传算法的学习 |
13 |
|
1.2.9 强化学习 |
13-14 |
|
1.2.10 多Agent 学习 |
14 |
|
1.3 机器学习的研究热点 |
14-15 |
|
1.4 机器学习的发展与展望 |
15-16 |
|
第二章 统计学习理论和支持向量机 |
16-27 |
|
2.1 概述 |
16 |
|
2.2 机器学习的基本问题 |
16-19 |
|
2.2.1 问题的表示 |
16-17 |
|
2.2.2 经验风险最小化 |
17-18 |
|
2.2.3 复杂性与推广能力 |
18 |
|
2.2.4 小样本统计学理论 |
18-19 |
|
2.3 统计学习理论的核心内容 |
19-20 |
|
2.3.1 VC 维 |
19 |
|
2.3.2 推广性的界 |
19-20 |
|
2.3.3 结构风险最小化 |
20 |
|
2.4 支持向量机 |
20-25 |
|
2.4.1 广义最优分类面 |
21-22 |
|
2.4.2 核技巧 |
22-24 |
|
2.4.3 支持向量机 |
24-25 |
|
2.5 关于统计学习理论的小结 |
25-27 |
|
第三章 基于支持向量机的机器学习研究 |
27-41 |
|
3.1 支持向量机的训练算法 |
27-28 |
|
3.2 非完美分类的支持向量机 |
28-30 |
|
3.3 SMO 算法 |
30-38 |
|
3.3.1 优化两个αi |
30-34 |
|
3.3.2 完成一次优化后进行的更新操作 |
34-35 |
|
3.3.3 寻找要优化的两个aｉ |
35-36 |
|
3.3.4 SMO 算法的伪码表示 |
36-38 |
|
3.4 多类SVM 分类器 |
38-41 |
|
3.4.1 多类分类支持向量机 |
38-39 |
|
3.4.2 基于二分类器的多类分类器 |
39-41 |
|
第四章 机器学习系统设计与实现 |
41-49 |
|
4.1 开发环境与开发工具 |
41-43 |
|
4.1.1 Linux 简介 |
41 |
|
4.1.2 Debian Linux 简介 |
41-42 |
|
4.1.3 GNOME 简介 |
42 |
|
4.1.4 gcc 简介 |
42-43 |
|
4.1.5 MySQL 简介 |
43 |
|
4.2 系统设计与实现 |
43-49 |
|
4.2.1 管道技术 |
44 |
|
4.2.2 模块输入输出设计 |
44-45 |
|
4.2.3 各模块输入输出内容 |
45 |
|
4.2.4 跨平台设计 |
45 |
|
4.2.5 各模块的标准实现 |
45-46 |
|
4.2.6 标准模块在Linux+GNOME 下进行的集成及系统前端 |
46-49 |
|
第五章 基于支持向量机的人脸检测 |
49-52 |
|
5.1 人脸检测所用的数据库 |
49 |
|
5.2 离散余弦变换 |
49-50 |
|
5.3 非人脸图像的选取 |
50 |
|
5.4 输入处理模块的非标准实现 |
50 |
|
5.5 在人脸检测应用中对系统的定制 |
50-51 |
|
5.6 应用结果 |
51-52 |
|
结论 |
52-53 |
|
致谢 |
53-54 |
|
攻读硕士学位期间发表的学术论文 |
54-55 |
|
参考文献 |
55-57 |
|
大 庆 石 油 学 院 硕士学位论文摘要 |
57-64 |
|
| 【DOI】 | LunWen.ID:2.2008.387575 |
