资源描述：
《支持向量机增量学习的算法与应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第9卷专刊计算机集成制造系统—CIMSVol.9SpecialMagazine2003年12月ComputerIntegratedManufacturingSystemsDec.2003文章编号:1006-5911(2003)S0-0144-05支持向量机增量学习的算法与应用12曾文华,马健(1.厦门大学计算机科学系,福建厦门361005;2.杭州电子工业学院计算机分院,浙江杭州310037)摘要:提出一种新的支持向量机的增量学习算法,分析了新样本加入训练集后支持向量集的变化情况。基于分析结论提出一种新的学习算法。研究了基于支持向量机的山羊
2、绒和细支绵羊毛动物纤维图像识别问题,根据山羊绒和细支绵羊毛动物纤维图像的特点,分别采用自动阈值分割和Top-Hat变换,得到纤维边缘和鳞片边缘。仿真结果表明,基于支持向量机的动物纤维图像识别率高于传统的基于人工神经网络的识别率。关键词:支持向量机;增量学习算法;动物纤维;图像识别中图分类号:TP181文献标识码:A量上均居世界前列。由于各种纤维的品质和价格相0引言差悬殊,这就使产品质检中纤维含量的检测十分重由V.Vapnik等人提出的统计学习理论(Statis2要。与其他纤维相比,山羊绒与细支绵羊毛在结构、ticsLearningTheor
3、y,SLT),是一种小样本的机器学外观形态、理化性能上都较为接近,因而正确、有效[1～3]习理论,为机器学习问题提供了统一的框架。地鉴别这两种纤维就显得非常重要。通过对学习一致收敛问题的讨论,SLT给出了学习目前,鉴别山羊绒和细支绵羊毛的方法主要有机推广能力的界,进而给出了不同于传统学习中经四种:光学投影显微镜法、扫描电镜法、溶液解法和验风险最小化准则(EmpiricalRiskMinimization,计算机图像分析法。前三种方法具有操作复杂、不ERM)的结构风险最小化准则(StructureRiskMini2能较好地反映特征以及鉴别操作
4、带有主观性等不足mization,SRM),并在此基础上给出了一种新的学习之处。计算机图像分析法,通过对纤维数字图像的算法———支持向量机(SupportVectorMachines,处理分析,从中提取多种定量特征,克服了其他方法SVM)。SVM通过非线性核函数,将输入空间映射的单一标准鉴别的缺点,客观、准确、快速,越来越受到高维线性特征空间,构造样本的最优分类面,最优到关注,被认为具有很好的前景。分类面的构造过程即是实现SRM准则的过程。针对山羊绒与细支绵羊毛混纺产品质检中纤维SVM基于SLT坚实、严谨的理论基础,比传统学习含量的检测问题
5、,本文提出了基于支持向量机的动方法具有较好的学习性能和泛化能力。SVM学习物纤维图像识别方法。基于SVM寻优问题的KKT采用优化方法得到的结果是全局最优解,不会产生条件和样本之间的关系,分析了样本增加后支持向过学习和局部最小等问题。量集的变化情况,基于分析结论,提出了一种新的我国是纺织用动物纤维种类资源比较丰富的国SVM增量学习算法。根据对采集的纤维图像特点家,山羊绒、细支绵羊毛等动物纤维产品在数量和质的分析,分别利用自动阈值分割和灰值形态学方法,基金项目:工业控制技术国家重点实验室开放实验室研究课题资助项目(K01001)。作者简介:曾文
6、华(1964-),男,江苏兴化人,厦门大学计算机科学系博士,教授,主要从事智能控制、神经网络、机器学习等研究。E-mail:whzeng@xmu.edu.cn。专刊曾文华等:支持向量机增量学习的算法与应用145设计了纤维边缘与鳞片边缘的自动预处理方法和特αi=C]yif(Xi)≤1(10)征提取算法。在此基础上,采用新的SVM增量学式中:非零的αi为支持向量。习算法,实现了这两种动物纤维的图像识别。考虑函数系f(X)=h,可知f(X)=0为分类面,f(X)=±1为分类间隔的边界,其上的样本即1一种新的SVM增量学习算法为支持向量。111支持
7、向量机定理1对样本集进行训练得到SVM分类器,给定分类问题,其样本集为{Xi,yi},i=1,⋯,α为Lagrange乘子。α=0对应的样本分布在分类nl,Xi∈R,yi∈{±1}。设超平面方程为:器分类间隔之外,0≤α≤C的样本位于分类间隔之wX+b=0(1)上,α=C位于分类间隔之内[5]。即是:则决策函数为:αi=0]
8、f(Xi)
9、≥1(11)f(x)=sgn(wX+b)(2)0<αi10、f(Xi)
11、=1(12)求最大分类间隔的超平面问题,可以转化为如下二αi=C]
12、f(Xi)
13、≤1(13)[4]次寻优问题:l113增量学习后支持
14、向量集变化分析12min2
15、w
16、+C∑ξi当核函数类型及其参数确定后,支持向量集可i=1(3)完全描述整个样本集的分类特征,支持向量集和训s.t.yi(wXi+b)≥1-ξi练样
