原文传递
支持向量机在编组站识别中的研究
| 论文题名： | 支持向量机在编组站识别中的研究 |
| 关键词： | 支持向量机;核函数;二次规划;编组站 |
| 摘要： | 支持向量机(Support Vector Machines,简称SVM)是在统计学习理论的基础上发展起来的一种新的通用学习方法,它已初步表现出很多优于已有方法的性能.由于采用了结构风险最小化原则代替经验风险最小化原则,使得较好的解决了小样本学习的问题;又由于采用了核函数思想,使它把非线性空间的问题转换到线性空间,降低了算法的复杂度.正是因为其完备的理论基础和出色的学习性能,该技术已成为机器学习界的研究热点,并在很多领域都得到了成功的应用,如人脸检测、手写体数字识别、文本自动分类等.但是作为一种新兴技术,SVM在很多应用领域的研究还有待探索和完善.例如:核函数和参数的选择缺乏理论指导、缺乏容噪性能、训练算法的完善、不支持增量学习、缺乏和先验知识的整合能力等等.这些问题的存在,使得SVM在很多领域的应用受到了很大限制.该文工作包括:(1)优化算法的理论基础和训练算法的本质SVM训练的本质是解决一个二次规划(Quadratic Programming,简称QP)问题.该文通过简要介绍连续序列松弛算法(SMO)和最小平方支持向量机(SOR)算法,力图说明SVM众多算法的改进方向.(2)深入学习、介绍核空间和核函数.(3)编组站的识别利用上面的知识,通过SVM训练,对编组站进行识别并且通过编组站铁轨识别的试验,得到了一些比较好的试验结果和结论.最后在实践中通过SVM这个方法,将编组站轮廓成功的勾勒出来,并且提出了毁伤分析的解决方案. |
| 作者： | 解晓峰 |
| 专业： | 计算机应用 |
| 导师： | 夏德深 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2003 |
| 正文语种： | 中文 |
检索历史
应用推荐
