模式识别论文支持向量机在模式识别中的应用大学学位论文.doc

《模式识别论文支持向量机在模式识别中的应用大学学位论文.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、模式识别结课论文题目：支持向量机在模式识别中的应用学院河北大学工商学院学科门类理科专业网络工程学号2013483164姓名周婷婷指导教师李凯2015年11月5日河北大学学年论文（课程设计）任务书学生姓名周婷婷指导教师李凯论文（设计）题目支持向量机在模式识别中的应用主要研究（设计）内容支持向量的应用研究方法通过线性svm及非线性svm函数方法的分析，实现支持向量机的算法，并在matlab上实现实例说明主要任务及目标支持向量机实现分类主要参考文献【1】刘霞，卢苇.SVM在文本分类中的应用研究，计算机教育，2007.【2】唐春生，张磊.文本分类研究进展【3】张学工.关于统计学习理

2、论与支持向量机，自动化学报，2000.1【4】秦玉平.基于支持向量机的文本分类算法研究【5】李红莲,王春花,袁保宗.一种改进的支持向量机NN-SVM[J].计算机学报,2003,26(8):1015-1020.进度安排论文（设计）各阶段名称日期选题第7周查询资料第8周整理资料第8周论文草拟第9周论文成型第9周指导教师签字：系主任签字：主管教学院长签字：河北大学软件工程课程设计成绩评定表学院：河北大学工商学院学生姓名周婷婷专业/年级2013级网络工程一班论文（设计）题目支持向量机在模式识别中的应用论文（设计）内容提要1支持向量机1．1线性SVM1．2非线性SVM2支持向量机分

3、类算法的实现3实例说明及实验结果指导教师评语成绩：指导老师（签名）：年月日摘要在VladimirN.VaPnik的统计学习理论基础上发展起来的支持向量机(SupporVectorMachine，SVM)是目前模式识别领域中最先进的机器学习算法。本文对支持向量机及其在模式识别中应用的若干问题作了研究。关键词：支持向量机；模式识别；AbstractVaPnikinVladimirN.BasedonstatisticallearningtheoryofsupportVectorMachine(SupporVectorMachine,SVM)iscurrentlyinthefiel

4、dofpatternrecognitionisthemostadvancedMachinelearningalgorithms.Inthispaper,supportvectormachine(SVM)anditsapplicationinpatternrecognitionproblemswerestudiedKeyword:supportvectormachines;patternrecognition;引言机器学习是现代智能技术中的重要方面，对样本进行训练并寻找规律，利用这些规律对未来数据或无法观测的数据进行预测是基于数据的机器学习的基本思想。统计学理论是我们面对数据

5、而又缺乏理论模型时最基本的也是唯一的分析手段.传统统计学研究的是渐进理论，即假设样本数目无穷大，但在实际应用中样本数目总是有限的，一些好的基于渐进理论的学习算法在实际应用当中往往表现得并不理想，因此研究小样本的机器学习问题就具有非常重要的实际意义。VladimirN·Vapnik等人从20世纪60年代开始就致力于研究有限样本的机器学习问题，经过几十年的研究，终于到90年代中期形成了一个较完整的理论体系，即统计学习理论(StatistiealL’earningTheory).由于神经网络等学习方法在理论上难以有实质性的进展，因此统计学习理论受到人们广泛的重视.近几年来，在统计

6、学习理论的基础上又发展出一种新的学习机器—支持向量机(SupportveetorMaehine)，它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，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，以获得最好的推广能力。目前，统计学习理论和支持向量机己被越来越多地应用到模式识别领域，如手写体文字识别、人脸识别、生物识别、三维对象识别等，并取得了良好的识别效果。本文着重介绍支持向量机的基本原理、关键问题、研究状况及其在模式识别领域中的应用，希望今后能有更多的人研究和应用这一优秀的学习

7、机器。1、支持向量机1．1线性SVM最优超平面SVM方法是从线性可分的情况下的最优分类面(OptimalHyperplane)提出的。设线性可分样本集为，i=1，⋯，n；Y={+1，-1}是类别标号，分类面方程为：W*X+b=0(1)这个平面将两类样本没有错误的分开，并且使得离分类面最近的样本到分类面的距离最大，即分类间隔最大，等价于使最小，W为分类面的法向量。而要求分类面对所有样本正确分类，约束条件为：，i=1,2,L,n(2)因此，满足上述条件且使得llW最小的分类面就是最优分类面。过两类样本中离分类面最近的点