基于改进的粒子群算法的图像分类技术研究.pdf

《基于改进的粒子群算法的图像分类技术研究.pdf》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、Ｉ－－－ｉ．—？■Ｉ．．Ｖ．．－－＇■．ｙ■．：■＇；单拉代码：１０２９３密级；—＞４每Ｊ卿《＾著硕女《像俗Ａ，４Ｕ４違４著ＨＩＢＥＳＳＨ＾；賴．．曝．．．＊．ｔ．．＇占？？．．‘一．．＇＇．，叫／论文题目：基于改进的粒子群算法的．——＾图像分类技术研究－■丰？■．？？‘？．？．．■？？？．１０１２０６１４３日学号钱棋枫姓名．王保玄导师式识别与智能系统学科专业模研究、方

2、向图像与视频的处理与理解工学硕±申请学位类别２０１５３论文提交日期一，．，？，＇．．．？－＂：？？？？？－ｉ，叫？．４＞南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研巧工作及取得的硏巧成果。尽我所知，除了文中特别加标注和致谢的地方外，论文中不包含其他人己经发表或撰写过的研巧成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。一同工作的同志对本研巧所做的任何贡献均己在论文中作了明确的说明并表示了谢意与我。一切相关的法律责任本人学位论文及涉及相

3、关资料若有不实，愿意承担。研充生签名：名故日期：丰０！玉？牛．＾南京邮电大学学位论文使用授权声明本人授权南京邮电大学可ｌｉｉ保留并向国家有关部ｎ或机构送交论文的复印件和电子文档可；允许论文被查阅和借阅；可ｌｉｉ将学位论文的全部或部分内容编入有关数据库进行检索；＾＾１采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质一致。论文论文涉的密内容相的公布（包括刊登）授权南京邮电大学研充生院办理。学位论文在解密后适巧本授权书。研玉。巧生签名；钱滯本疋导师签名：吏日期；ImageClassificationResearchBas

4、edonImprovedPSOAlgorithmThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByQifengQianSupervisor:Prof.BaoyunWangMarch2015摘要近年来，支持向量机作为一种常用的、性能优良的分类器，在图像分类领域得到了广泛的应用。同时，支持向量机的参数优化问题一直是个难点，参数选取对于SVM的分类性能有较大影响。粒子群优化算法作为一种群体智能优化算法，对于参数寻优有很好的效果。本文主要从支持向

5、量机的分类速度、粒子群算法的寻优能力以及图像分类性能三个方面进行研究，研究内容如下：1.提出了一种快速交叉核支持向量机算法，它采用变换交叉核函数的计算方法将预测时的分类时间复杂度从Omn()降低为On(log)m。2.针对粒子群算法的“早熟收敛”问题，分析了其陷入局部最优的原因，提出了一种变异粒子群算法，使粒子在迭代过程中以一定概率随机变异，增强了粒子在迭代末期的全局搜索能力，防止“早熟收敛”。3.受量子粒子群算法的启发，讨论了量子粒子群算法性能优越的原因及其存在的问题，提出了一种基于正态分布的粒子群算法。在粒子速度更新中，加入正态分布函数，使得粒子的速度分布服从正态分布，相

6、比于量子粒子群算法粒子分布更加合理。在标准测试函数中，本文算法取得了较好的效果，在优化支持向量机的参数实验中结合粒子群变异算法，得到了远高于标准粒子群算法和量子粒子群算法收敛速度及收敛能力。4.在不平衡数据的图像分类问题中，使用支持向量机对少数类的分类预测准确率很低。本文运用加权支持向量机（快速交叉核）来提高分类性能，同时使用本文提出的改进的粒子群算法来解决由此带来的优化参数过多的问题。该算法在Caltech101、PascalVoc2007等数据集上分别进行了实验，实验结果显示，本文的算法比其他传统、经典的方法有较显著的提高。关键词:支持向量机，核函数，粒子群算法，不平衡数据分

7、类IAbstractRecently,SupportVectorMachine(SVM)hasbeenwidelyusedinimageclassification,whichisacommonandwell-performedclassifier.ItisstillanaporiatooptimizetheparametersofSVM.TheperformaceofSVMsuffersfromwhetherchoosingappropriateparametersornot.