学位论文 > 优秀研究生学位论文题录展示

转导支持向量机在数据预测中的应用

作　者: 宋妍
导　师: 董军宇
学　校: 中国海洋大学
专　业: 计算机应用技术
关键词: 支持向量机回归转导支持向量机纹理合成物体识别决策树直推式支持向量机
分类号: TP274
类　型: 硕士论文
年　份: 2011年
下　载: 34次
引　用: 0次
阅　读: 论文下载

内容摘要

近些年来,支持向量机(Support Vector Machine)技术作为一种机器学习的方法得到了越来越多的研究与应用。本文意在以支持向量机技术为基础进行三个方面的扩展应用研究,包括使用支持向量机回归进行海水潮流速度的预测、使用转导支持支持向量进行纹理合成及使用转导支持向量机方法与决策树方法相结合的方法进行物体识别。这三个方向本质都是支持向量机理论在数据预测方面的应用,展示了其在数据预测方面的应用前景和价值。在海水潮流速度预测方面,本文创新性的使用了支持向量机回归的理论。支持向量机回归理论主要应用于文本分类、人脸识别、手写数字识别等方面,在海洋学范畴内的应用甚少。而海洋是人类的资源宝库,能为人类提供大量的水产品,海水的潮流速度对水产养殖有着十分重要的影响。面对恶劣的海洋环境和出海的高额成本,以及海洋学研究对数据的大量需求,本文选择使用支持向量机回归的方法进行了潮流速度预测的研究。在纹理合成方面,本文创新性的使用了转导支持向量机进行自相似纹理的合成。而纹理合成是有着广阔应用前景的研究方向,对纹理合成的方法进行不断的探索和创新有着极为重要的现实意义。本文在使用转导支持向量机进行自相似纹理合成的过程中,选择使用一定的先验知识,用以减少标记样本的数目,而且标记样本的数目可以由自己主观决定。本文同时使用未标记的样本和有标记的样本进行学习训练,并在不断的重复训练过程中将没有类标的样本标记合适的类标,从而在合成的速度上有较为理想的提高,故而,与传统的支持向量机纹理合成方法相比,我们的合成方法有一定的创新意义和使用价值。在物体识别方面,本文使用了将转导支持向量机与决策树相结合的方法进行物体识别分类。而物体识别在智能安全监控,智能交通监控中发挥着举足轻重的作用,近年来出现了多种物体识别的方法。本文提出了在使用转导支持向量机进行物体识别的过程中,使用HOG特征与Garbor特征,并结合动态基的方法进行建模,并且在训练之前人工选择更加合理的正样本进行学习,与传统的动态基特征结合AdaBoost分类方法进行了比较,通过大量的实验,获得了较为理想的结果。

全文目录

摘要  5-7
ABSTRACT  7-11
1 绪论  11-17
  1.1 研究背景与现状  11-15
    1.1.1 海洋潮流速度预测的研究背景与现状  11-13
    1.1.2 纹理合成(Texture Synthesis)的研究背景与现状  13-14
    1.1.3 物体识别的研究背景与现状  14-15
  1.2 本文所做的工作与论文的组织结构  15-17
2 文献综述  17-32
  2.1 引言  17
  2.2 支持向量机回归  17-25
    2.2.1 支持向量机(Support Vector Machine)  17-22
    2.2.2 支持向量机回归  22-24
      2.2.2.1 线性支持向量机回归  22-24
      2.2.2.2 非线性支持向量机回归  24
    2.2.3 回归估计中的风险问题  24-25
  2.3 半监督学习方法  25-32
    2.3.1 半监督学习发展  25-26
    2.3.2 生成式模型  26-28
    2.3.3 EM 算法  28-30
    2.3.4 自训练算法  30
    2.3.5 转导支持向量机  30-32
3 基于支持向量机回归的潮流速度预测  32-44
  3.1 海洋水动力环境背景  32-36
    3.1.1 研究海域简介  32
    3.1.2 POM 模型  32-35
    3.1.3 海带生长模型  35-36
  3.2 受海带阻力影响的潮流速度预测  36-41
    3.2.1 各种相关数据与实测数据的比对  36-39
    3.2.2 潮流速度预测流程  39-40
    3.2.3 潮流速度预测结果图  40-41
  3.3 潮流流场预测  41-44
4 基于转导支持向量机的自相似纹理合成  44-55
  4.1 转导支持向量机  44-47
    4.1.1 转导支持向量机原理  44-46
    4.1.2 转导支持向量机算法  46-47
  4.2 转导支持向量机二维纹理合成  47-51
    4.2.1 SVM_Light 介绍  47-48
    4.2.2 纹理合成算法流程  48-51
  4.3 合成实验结果及分析  51-55
5 基于转导支持向量机的决策树分类  55-62
  5.1 决策树算法  55-56
  5.2 特征提取  56-58
    5.2.1 HOG 特征  56-57
    5.2.2 Gabor 特征  57-58
  5.3 基于动态基的物体分类技术  58-59
  5.4 多组实验结果  59-62
6 总结与展望  62-64
  6.1 本文的主要工作创新  62
  6.2 对今后研究工作的展望  62-64
参考文献  64-67
致谢  67-68
个人简历  68
发表的学术论文  68
研究成果  68

转导支持向量机在数据预测中的应用

内容摘要

全文目录

相似论文