统计模式识别概论及应用.pdf

《统计模式识别概论及应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、Science&TechnologyVision科技视界科技·探索·争鸣统计模式识别概论及应用万爽(武汉理工大学，湖北武汉430070)【摘要】本文采用统计模式识别方法对车辆进行识别，利用主成分变换法对车辆和背景训练及测试样本进行特征提取，并应用遗传算法对特征提取阶段的结果进行特征选择，然后对测试样本做同样的提取特征的处理，最后应用训练好的支持向量机分类器进行分类识剐检测。此基于统计特征的车辆识别算法不仅具有较好的适应性，而且能有效的提高识别率和降低误识别率。【关键词】模式识别；特征提取；遗传算法；支持向量机0引言遗传算法中有一个很重要的概念，称为适应度函数。如何

2、将遗传算法中的不断进化的染色体与现实问题中的优劣选择相联系是该算模式识别诞生于20世纪20年代．是对表征事物或现象的各种形法成功的关键一般的方法是构造一个与现实问题相联系的适应度函式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解数。释的过程。该学科主要研究使机器通过学习能做以前只能由人类才能1．3分类器做的事，具备人所具有的、对各种事物与现象进行分析、描述与判断的从数学观点来看，分类决策就是找出决策函数。当已知待识别模部分能力模式识别所研究的理论和方法在很多科学和技术领域中得式的完整的先验知识时．可据此确定决策函数的数学表达式如果仅到了广泛的重视．目

3、前已成功应用于指纹识别、印刷体字符识别、语音知待识别模式的定性知识．则在确定决策函数的过程中．通过反复训识别、车牌识别、人脸识别、手写体字符识别、自动文本分类、多媒体数练、调整，以达满意的决策函数表达式，从而作为决策分类的依据。据挖掘等领域支持向量机足一种基于统计的学习方法．它是对结构化风险最小本文基于统计模式识别方法来研究车辆识别问题对待定的区域化归纳原则的近似，由于其出色的学习性能．使得SVM具有较好的推应用特征提取、特征选择的方法提取统计特征，根据统计模式识别原广能力其原理是针对二值分类问题提出的．其核心思想是将结构风理对候选车辆区域行识别确认。特征提取采用

4、PCA(主成分变换法)．险函数引入到分类中支持向量机通过引入结构风险函数恰恰能完成特征选择采用遗传算法．分类器设计是SVM(支持向量机)。这个任务．从而提高了机器学习的泛化能力这些特点使支持向量机1统计模式识别方法能有效地克服高维问题基于统计方法的模式识别系统由四部分组成：数据获取、预处理、2实例分析特征提取和选择、分类器设计和分类决策。为了检验各个主成分变换特征提取方法和支持向量机分类器对1．1数据获取与预处理车辆检测的识别率和有效性．我们进行了对比实验：特征提取和特征数据获取就是通过一定的技术和手段对个别事物进行观测．从而选择的方法与不同分类器方法进行组合测试

5、获取该事物的时间和空间分布信息。这里需要将各种测量的量转换成为了检验本论文中提出的车辆检测方法．我们进行了实验测试计算机可以直接处理的数据。测量到的信号通常有一维信号，二维信道路取景的来源国内城市道路实验中选用的训练样本为3000．其中号和逻辑信号预处理阶段就是要将数据获取阶段所引入的噪声进行车辆为1500．其余为背景样本滤除．并对数据获取阶段所造成的信号退化进行复原．并为下一步特利用前文描述的方法．获得的特征提取器为：征提取提供必要的基础T=[t(1)，t(2)，t(3)】1．2特征提取与特征选择其中．特征向量为：通常情况下．在数据获取阶段获得的数据量是相当大的

6、直接应t(1)=(一0．5346，一O．0804，一O．8329，0．0444，-0．0794，-0．0224，用这些数据进行模式识别，数据量大，计算复杂。当向量维数达到一定-0．0652，0．0317)维数时．就必须采取一定的措施能使系统能够处理这些数据和正常工t(2)=作．即特征降维．模式识别中称为特征提取和选择。一般来说．特征提(-0．2102，0．8256，0．0754，0．4899，0．0516，O．0196，0．0355，0．0872)取和选择是模式识别系统中关键的一步．其好坏直接决定了模式识别t(3)=(一0．0812，一0．5261，0．1491，

7、0．824，-0．0161，0．0933，系统的性能-0．0048，0．0754)1．2．1主成分变换法同时增加了其它分类器配合进行测试．选用的分类器有KNN(K主成分分析方法是应用最广泛的一种特征提取方法之一．它是一最邻近结点算法)、QDF(~次判别方程)、cos(基于朴素贝叶斯分类种统计学方法，在信号处理、模式识别、数字图像处理等领域得到了广器)。测试样本为600，其中车辆300，背景300。测试结果为：SVM的车泛的应用。主成分分析基本思想是提取出空间原始数据中的主要特辆识别率为85．3％，背景识别率为94％；KNN的车辆识别率为82．6％，征．减少数据冗余

8、．使得数据