基于svm的幼儿成长测评应用

《基于svm的幼儿成长测评应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于SVM的幼儿成长测评应用基于SVM的幼儿成长测评应用陈卓贺敬（青岛科技大学信息科学技术学院，山东青岛266061）【摘要】在幼儿成长过程中有许多的测评指标，现有的系统都是通过人工的方式对幼儿成长过程中的各项指标进行评价，在幼儿数量少的情况下可以进行比较公正的判别，但是随着幼儿数量的增加，人工判别的缺点也随之显现出来。我们通过对各个指标进行量化，建立了一种基于支持向量机(supportvectormachine)的幼儿成长测评体系。该测评系统旨在使用科学的方法,通过计算机技术，对学龄前幼儿成长的各项指标进行自动分析，生成测试结果，以供家长和教学人员参考。.jyqkachine，SV

2、M）技术支持向量机方法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（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力的一种机器学习方法[1]。支持向量机方法是从线性可分情况下的最优分类提出的。即系统产生一个超平面并移动它，使得不同类别的样本点正好处在该超平面的两侧,这样得到的平面为最优超平面，从理论上实现了线性可分数据的最优分类问题[2]。如下图1所示：即L为把x型和o形没有错误地分开的分类线,分别为过各类样本中离分类线最近点、且平行于分类线的直线,和之间的距离做两类的分类间

3、隔。所谓最优分类线就是要求分类线不但能将两类无错误地分开,而且要使两类的分类间隔最大[3]。前者是保证经验风险最小，使分类空隙最大，实际上就是使推广性的界中的置信范围最小,从而使真实风险最小。推广到高维空间，最优分类线就成为最优分类平面。对于线性不可分情况，通过指定常数C，控制对样本惩罚的程度，实现在错分样本的比例与算法复杂度之间的折衷。图1最优分类示意图SVM支持向量机是一项成熟的机器学习方法，在JAVA中我们可以直接调用相应的类。我们需要先建立幼儿测试用的矩阵数据结构，然后据此建立样本数据。1）建立应用于幼儿成长测评系统的矩阵，样本标签，样本数据。样本数据将作为训练集在程序中使用

4、。（1）样本标签，我们大致将幼儿测试结果分为A出色，B良好，C预警，D干预四类，作为样本标签使用，A出色：4分，B良好：3分，C预警：2分，D干预，1分。（2）样本数据，成长测试指标分类见下表（性别男表示为1，女表示为2）：表1样本指标2）通过对学龄前幼儿进行大批量的测试建立样本数据。样本该数据越准确，样本数量越多，得到的效果也就越准确。我们建立样本数据如下表2。表2样本数据3）分类模型及参数。被评价数据是由4个等级的数据构成，因此该分类属于多分类问题，考虑到分类的样式不多，本文选用一对一策略，构造六个支持向量分类器，每个分类器只对两类进行分类，模型简单且具有较好的分类能力。图2分类

5、模型示意图SVM的核函数采用性能比较好的径向基核函数：k(

6、

7、x-xc

8、

9、)=exp{-

10、

11、x-xc

12、

13、/(2*σ)其中xc为核函数中心，σ为函数的宽度参数，控制了函数的径向作用围。2测试程序及结果（下转第39页）（下转第8页）SVM技术在小样本，非线性，高维度下模式识别方面有着独有的优势，在科研和商业上都有着广泛的应用，很多流行编程软件都开发了相应的工具包。借助这些工具包我们可以直接调用相应的函数，而不必关心它们是如何实现的。随机取5组数据作测试样本，得到测试结果见下表表3测试结果从表3可以看出，程序测试结果可以保持不错的一致性，当然由于这里我们训练样本有限，误差率还比较高。但

14、是随着训练样本的数量增加，优化后的SVM模型准确性会进一步提高，具有广泛的应用前景。我们通过对幼儿成长中的各项评价指标进行量化，建立一种基于SVM的模型，应用在实际系统中，取得了比较好的效果，省去了人工评价过程中的不客观因素，节省了人力成本，扩展了SVM的应用范围。.jyqk及其在车牌字符识别中的运用[D].四川大学,2005.［2］王静.基于GA-SVM的高职学生综合素质评价模型[J].广西教育,2014,11:55-57.［3］朱海林.基于SVM多分类的教学质量评价研究[D].山东师范大学,2009.［责任编辑：刘展］