论文总字数：24526字

目 录

1 绪 论 1

1.1 课题研究的背景及意义 1

1.2 国内外研究现状 1

1.2.1 图像处理研究现状 1

1.2.2 支持向量机研究现状 2

1.3 本文主要的研究内容 4

2 数值模拟计算平台及智能算法简介 5

2.1 数值模拟计算平台 5

2.1.1 MATLAB优势特点 5

2.1.2 MATLAB系统构成 6

2.2 支持向量机 7

2.3 遗传算法 8

2.4 本章小结 10

3 GA-SVM编程化实现 11

3.1 GA-SVM的模型构建原理 11

3.2 支持向量机主程序 12

3.3 遗传算法优化程序 13

3.4 本章小结 16

4 基于支持向量机的图像特征识别研究 17

4.1 数据预处理 17

4.2 传统支持向量机的仿真结果 17

4.3 基于GA-SVM的仿真预测结果 22

4.4 本章小结 23

结 论 25

参考文献 26

致 谢 28

基于SVM图像特征分类系统的设计与研究

周剑桥

ABSTRACT: Effective classifier is one of the key problems in recognition field, which requires strong algorithm of nonlinear mapping, data parallel processing and generalization. With the development of artificial intelligence, many intelligent algorithms emerge as the times require. Support vector machines, as the mainstream classifier in AI field, have been widely applied. However, the penalty factor C and kernel parameter g are the main factors that affect the classification performance. Therefore, this paper optimizes the two important parameters that affect the support vector machine, and finally realizes the design and research based on the SVM feature classification system.

First of all, we select radial basis function as a nonlinear mapping function of support vector. After theoretical deduction, we get that penalty factor C and kernel function parameter g are important factors that affect their classification performance. Secondly, genetic algorithm is applied to optimize two important parameters of support vector machine. The training set is five times cross validation, and the highest verifying accuracy is the fitness function to determine the best parameters c and G. Finally, based on the optimal parameters, the support vector machine classification model is established, and the recognition and classification of four different image features are realized.

The results show that the classification performance of support vector machine without parameter optimization and instability, the recognition accuracy rate between 79%-90% and the support vector machine classification genetic algorithm to optimize the accuracy rate of up to 100%, effectively proved the effectiveness of the optimization method, achieve accurate identification based on genetic algorithm support vector machine image feature.

Key words: Support vector machine (SVM); genetic algorithm; parameter optimization; feature recognition

1 绪 论

1.1 课题研究的背景及意义

随着网络的普及和人工智能的发展，图像分类成为近年来研究和应用的热点。图像可以向人们表达情感，可以帮助人们记忆，可以帮助人们理解，展现出了丰富的媒体信息。无时无刻，我们都会见到很多的图像，我们的随手拍，我们的感知等等。但是尽管图像给我们带来了这么多的表达，但是图像中总有我们不想得到的信息，也有很多没有用的信息，我们如何从图像中正确得到为我们所用，这需要对图像进行相关处理操作。图像识别的迅速发展，不仅促进了人工智能在这方面的兴起，也逐渐代替了人工筛选图片的不利^[1]。基于支持向量机的图像分类研究具有实际应用价值，可以促进支持向量机在图像分类中的应用，提高图像分类的性能^[2]。

然而，有效的分类器是识别领域的关键问题之一。，这要求算法应具有较强的非线性映射能力、数据并行处理能力、泛化能力等。随着人工智能领域的发展，许多智能算法应运而生，支持向量机作为现在人工智能领域的主流分类器已经被广泛应用，但惩罚因子c和核函数参数g是影响其分类性能的主要因素。因此，本文对影响支持向量机的两个重要参数进行优化研究，最终实现基于SVM特征分类系统的设计与研究。

1.2 国内外研究现状

1.2.1 图像处理研究现状

图像处理过程需要经过，图像的预处理，特征数据的有效获取，还有人工智能算法的高效嵌入，同时还要求处理图像的系统平台具有较高的运算能力。为了有效提高数字图像处理的速度，国内外研究人员主要进行了以下研究：第一，为了充分的获取能代表整体图像的有用信息，采取系列的特征提取方法，对待识别的图像进行数字获取，这是非常重要的对于之后人工智能算法的有效识别。第二，开发高效处理数字图像的软件平台，针对待处理图像，运用不同的软件，处理效果和处理速度都是不同的，但是这样同时也会增加其软件开发难度。第三，开发高效的人工智能算法，根据检测图像的数据特点，采用不同的人工智能算法，可以大幅度提高图像的识别效率，也节约成本，这是目前广大科研人员专注的地方。^{[3, 4]}。

上面提到，处理数字图像最有效、最精炼的方法就是基于人工智能算法对检测数据特征的处理，人工智能算法有很多，比如：BP人工神经网络、极限学习机、随机森林、支持向量机、K均值聚类法等等，他们会根据检测数据特征的不同进行选择用哪种算法。同时，数字图像的处理难度很大，人工智能算法根据其独特的数据并行树立机制，可以很好很完美的解决这类问题。最重要的是，相比如开发一套软件、或者搭建数字图像处理平台来说，这是最省力最经济的方法，还受到了广大科研人员的欢迎，也成为了现如今的研究热点。人工智能算法用于特征图像处理的运行速度是非常惊人的，一般情况下几秒钟就会给出智能化结果，就算是数据特征及其庞大，在分钟之内也能完成，这相比较与人工处理或者检测平台的搭建，是非常的快速非常准确的^[5]。

数字图形处理涉及的研究领域非常广泛比如说航空行天、科研人员利用数字图像处理技术实现了太空形态的拍摄和特征获取，探求其他星球表面的生物形态等等，这都减少了人工处理的难度，同时获得了游泳信息，去除了冗余信息。医用方面，数字处理技术可以帮助医生对患者的情况进行实时查询，不同的病变不同的结果都会通过图像进行展示，通过观察图像处理结果可以进行预先诊断。数字图像处理技术还应用为微生物检测、仿生研究、地址灾害检测、森林防火检测、资源勘测、城市规划、军事等诸多方面，给人类的生产生活创造了极大的便利条件^[6]。

数字图像处理技术最早来源于医疗方面，比如，我们可以通过图像观察病人体内各种病变的细胞，包括红细胞、白细胞、淋巴细胞、嗅球细胞、软组织、染色体等。我们还可以进行脑电图像的获取，心电图分析，B超孕期检查、肺部透析等等。图像经过特殊的技术手段获取之后，通过系列的处理手段进行传输、备案、分析，极大程度上提高了诊断质量。同时，在通信工程中，也拥有广泛的数字图像处理技术应用。它可以实现网络、手机、电脑的互联，把图像进行实时传输，分享在生活中发生的各种乐趣，并且传输效率非常高，也不会有信息丢失，同时在这三个端口嵌入数字图像处理技术可以实时对图像进行数字分析^[7]。

目前国家致力于数字图像处理解析方法的研究，例如用小波变换、二值化处理方法、灰度变换等对待分析图像进行特征获取，主要是想得到源数字图像的有效信息。高效准确的人工智能算法的挖掘最终目的是实现图像特征有效识别。当然，不同领域数字图像处理的应用也不同。在工业生产中，可以将其应用于生产线在线监测、生产质量的自动评估、自动分检等等。在军事安全方面，数字图像可以对犯罪嫌疑人的位置进行勘察、对导弹的位置、侦查的位置进行准确监测，并可以实时将检测结果传递给指控中心。在公安方面，数字图像处理可以进行人脸识别，查找范围嫌疑人、智能化搜索犯罪证据，还可以进行证据恢复等等。。

1.2.2 支持向量机研究现状

支持向量机(SVM)自1995年由Vapnik提出用来进行对各工程应用方面的数据进行模式分类和预测回归非常有效的人工智能算法^[8]。它是在统计学原理的基础上通过引入最大超平面、映射核函数、松弛变量及其各种数学计算法方法提出的新一代智能算法。支持向量机的成功应用，被人们誉为是“机器学习流域非常成功也是非常流行的例子”，并且应用非常广泛，取得的成就也得到了广大科研人员的认可，促进了人工智能领域的发展。

剩余内容已隐藏，请支付后下载全文，论文总字数：24526字

相关图片展示：