| 【中文题名】 | 基于模糊聚类的选择性支持向量机集成 |
| 【英文题名】 | Selective SVM Ensemble Based on Fuzzy Clustering |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-10-12 |
| 【中关键词】 | 支持向量机,机器学习,模式识别,统计学习理论,核函数,模糊聚类 |
| 【英关键词】 | Support Vector Machine,Machine learning,Pattern Recognition Statistical learning theory,Kernel function,Fuzzy clustering,Ensemble, |
| 【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】 | 支持向量机(support vector machine，SVM)是一种新的机器学习算法，是借助于最优化方法解决机器学习问题的新工具，它的理论基础是Vapnik创建的统计学习理论。它通过结构风险最小化准则和核函数方法，较好地解决了模式分类器复杂性和推广性之间的矛盾，引起了模式识别领域学者的极大关注。近年来，随着其快速训练算法的出现，支持向量机在手写体识别、声音识别、人脸检测、文本分类、图像处理等领域取得了很大的成功。
针对支持向量机在遥感图像的应用，本文所做具体工作及创新如下：
(1) 参加了浙江省科技厅科技计划项目《基于高光谱遥感的森林资源模式识别技术研究》的研究开发。
(2) 介绍了课题组经过多次研究探讨提出的理论——基于模糊聚类的选择性支持向量机集成，即首先在训练集上利用Bootstrap方法训练多个支持向量机个体，然后对这些支持向量机个体进行聚类，并选出各类中最接近靠近聚类中心的个体，组成选择后的个体集合，然后采用投票法进行集成，获得基于模糊聚类的选择性支持向量机集成。
(3) 在MATLAB平台上实现了将该算法用于遥感图像的分类；... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-13 |
|
第1章 引言 |
13-17 |
|
1.1 支持向量机的背景 |
13 |
|
1.2 支持向量机的应用研究现状 |
13-17 |
|
1.2.1 人脸检测、验证和识别 |
13-14 |
|
1.2.2 说话人/语音识别 |
14-15 |
|
1.2.3 文字/手写体识别 |
15 |
|
1.2.4 图像处理 |
15-16 |
|
1.2.5 其它应用研究 |
16-17 |
|
第2章 支持向量机概述 |
17-30 |
|
2.1 支持向量机的基本思想 |
17-18 |
|
2.2 支持向量机的原理 |
18-23 |
|
2.3 核函数 |
23-27 |
|
2.3.1 核函数的选取 |
23-24 |
|
2.3.2 常用的几种核函数 |
24-27 |
|
2.4 机器学习 |
27 |
|
2.5 结构风险最小化 |
27-30 |
|
第3章 基于模糊聚类的SVM集成 |
30-40 |
|
3.1 模糊聚类 |
30-33 |
|
3.1.1 C-均值聚类算法 |
30-32 |
|
3.1.2 基于模糊C-均值算法的模糊聚类 |
32-33 |
|
3.2 机器学习的集成 |
33-36 |
|
3.2.1 分类器集成概念 |
33-34 |
|
3.2.2 分类器集成原理 |
34-36 |
|
3.3 支持向量机集成 |
36-40 |
|
3.3.1 形成子支持向量机 |
37-39 |
|
3.3.2 基于模糊聚类的SVM集成 |
39-40 |
|
第4章 基于模糊聚类的选择性支持向量机集成 |
40-42 |
|
4.1 相关研究 |
40 |
|
4.2 算法介绍 |
40-42 |
|
第5章 算法实现 |
42-50 |
|
5.1 实验平台及工具 |
42-44 |
|
5.2 实验步骤 |
44-46 |
|
5.3 实验结果及分析 |
46-48 |
|
5.4 数据优化 |
48-50 |
|
第6章 总结与展望 |
50-52 |
|
6.1 总结 |
50 |
|
6.2 展望 |
50-52 |
|
致谢 |
52-53 |
|
参考文献 |
53-56 |
|
附录 |
56-57 |
|
原创性声明 |
57 |
|
关于学位论文使用授权的声明 |
57 |
|
| 【DOI】 | LunWen.ID:2.2008.387985 |
