| 【中文题名】 | SVM算法研究及CCS软件仿真 |
| 【英文题名】 | Research on Algorithm of SVM and Software Simulation on CCS |
| 【学科专业】 | 信号与信息处理 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-9-26 |
| 【中关键词】 | 模式识别,统计学习理论,SVM,DSP,说话人识别, |
| 【英关键词】 | Pattern Recognition,Statistic Learning Theory,Support Vector Machine,DSP,Speaker Recognition, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>计算机仿真 |
| 【论文摘要】 | 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。支持向量机(SVM)是建立在统计学习理论基础之上，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，克服了神经网络分类和传统统计分类的许多缺点，具备较高的泛化性能。
本文对SVM的原理、分类算法、实现和应用进行了深入地研究，提出了SVM算法的一种DSP实现方法，并通过CCS软件仿真和开发板调试，验证了该方法的可行性。实验结果表明了运算效率的提高，以及在实际系统应用的可行性。论文的主要工作包括：
(1)SVM是建立在VC维，泛化性能和推广能力之上的一种理论，对SVM中的相关概念支持向量和核函数进行了介绍。
(2)SVM算法的分析和研究：在SVM理论基础之上形成了很多SVM算法，从经典的基本分类算法到块算法，再到分解算法以及由分解算法派生出来的各种改进的分解算法，本文重点研究了SMO算法。
(3)本文对DSP的硬件结构和软件开发进行了研究，并对SVM算法在DSP上的实现进行了基本探讨。
(4)基于支持向量机的话者识别是本文的另一个研究内容，提取表征说话人个性的特征和寻... |
| 【论文题纲】 |
|
第一章 绪论 |
8-14 |
|
1.1 统计学习理论和支持向量机 |
8-10 |
|
1.1.1 统计学习理论 |
9 |
|
1.1.2 支持向量机 |
9-10 |
|
1.2 SVM的发展史 |
10-11 |
|
1.3 SVM研究现状 |
11 |
|
1.4 论文的研究意义 |
11-12 |
|
1.5 论文的主要工作 |
12-13 |
|
1.6 论文结构 |
13-14 |
|
第二章 统计学习理论及支持向量机 |
14-25 |
|
2.1 机器学习的基本问题 |
14-16 |
|
2.1.1 问题的表示 |
14-15 |
|
2.1.2 经验风险最小化(ERM) |
15 |
|
2.1.3 复杂性和推广性能 |
15-16 |
|
2.2 统计学习理论 |
16-19 |
|
2.2.1 VC维 |
16-17 |
|
2.2.2 推广性的界 |
17 |
|
2.2.3 结构风险最小化原理 |
17-18 |
|
2.2.4 SVM实现SRM原则的结构和依据 |
18-19 |
|
2.3 支持向量机 |
19-23 |
|
2.3.1 广义最优分类面及最大间隔思想 |
19-20 |
|
2.3.2 支持向量和支持向量机 |
20-22 |
|
2.3.3 核函数 |
22-23 |
|
2.4 实现中的几个问题 |
23 |
|
2.4.1 C的问题 |
23 |
|
2.4.2 核函数的选择 |
23 |
|
2.5 本章小结 |
23-25 |
|
第三章 SVM分类算法 |
25-35 |
|
3.1 SVM分类的基本算法 |
25-26 |
|
3.2 CHUNKING算法 |
26-27 |
|
3.3 固定样本工作集算法 |
27-28 |
|
3.4 SMO算法 |
28-34 |
|
3.4.1 两个Lagrange乘子的优化问题 |
29-31 |
|
3.4.2 选择待优化Lagrange乘子的试探找点法 |
31-32 |
|
3.4.3 最小化后的重置工作 |
32-33 |
|
3.4.4 SMO算法的特点和优势 |
33-34 |
|
3.5 本章小结 |
34-35 |
|
第四章 CCS软件仿真及开发板调试 |
35-47 |
|
4.1 TMS320C6713 DSP介绍 |
36-37 |
|
4.1.1 主要特征 |
36-37 |
|
4.1.2 存储器映射 |
37 |
|
4.2 存储器接口设计 |
37-41 |
|
4.2.1 C6713的EMIF接口 |
37-39 |
|
4.2.2 DSP与SDRAM的接口设计 |
39-40 |
|
4.2.3 DSP与FLASH的接口设计 |
40-41 |
|
4.3 DSP的软件开发 |
41-42 |
|
4.4 CCS软件仿真及开发板调试 |
42-45 |
|
4.5 实现结果 |
45-46 |
|
4.5.1 训练 |
45 |
|
4.5.2 识别 |
45-46 |
|
4.6 本章小结 |
46-47 |
|
第五章 基于支持向量机的话者识别 |
47-57 |
|
5.1 基本概念 |
47-49 |
|
5.2 语音产生模型和特征提取 |
49-55 |
|
5.2.1 语音产生模型 |
49-50 |
|
5.2.2 语音信号的基音频率提取 |
50-53 |
|
5.2.3 MFCC系数 |
53-55 |
|
5.3 基于支持向量机的话者识别初探 |
55-56 |
|
5.4 本章小结 |
56-57 |
|
第六章 总结 |
57-58 |
|
参考文献 |
58-60 |
|
致谢 |
60 |
|
| 【DOI】 | LunWen.ID:2.2008.387963 |
