支持向量機(jī)的應(yīng)用

呂永強(qiáng)

(山東科技大學(xué)數(shù)學(xué)與系統(tǒng)科學(xué)學(xué)院 山東 青島 266590)

支持向量機(jī)的應(yīng)用

呂永強(qiáng)

(山東科技大學(xué)數(shù)學(xué)與系統(tǒng)科學(xué)學(xué)院 山東 青島 266590)

支持向量機(jī)算法是十大經(jīng)典算法之一，對于數(shù)據(jù)分類，數(shù)據(jù)回歸方便有著極好的應(yīng)用。在實(shí)際操作中，我們常用它來處理分類問題。但傳統(tǒng)的支持向量機(jī)存在噪聲太多，數(shù)據(jù)處理太慢和收斂過快的問題，可通過調(diào)整參數(shù)進(jìn)行改進(jìn)。本文將建立一個(gè)模型，實(shí)現(xiàn)對支持向量機(jī)的簡單應(yīng)用。

支持向量機(jī);分割超平面

一、模型準(zhǔn)備

在實(shí)際問題中。我們可以對分類化做數(shù)學(xué)描述，轉(zhuǎn)化數(shù)量和點(diǎn)的形式，然后對問題進(jìn)行數(shù)學(xué)描述，將問題應(yīng)用到支持向量機(jī)中，得到適合支持向量機(jī)的求解模型。我們需要得到支持向量機(jī)的原始提法。

現(xiàn)在給出分類問題的原始提法。設(shè)分類對象可以表示為

x=([x]1,…,[x]n)T,

分類對象有n個(gè)特征，[x]i特征i的指標(biāo)。找出若干個(gè)分類對象，構(gòu)建出原始訓(xùn)練集

T={(x1,y1),…,(xl,yl)},

(xi,yi),xi=([xi]1,…,[xi]n)T為第i個(gè)分類對象對應(yīng)的訓(xùn)練點(diǎn)的輸入，yi∈γ={-1,1}為第i個(gè)分類對象對應(yīng)的訓(xùn)練點(diǎn)的輸出。我們可以依此得出分類問題的原始提法，取實(shí)值函數(shù)g(x),g(x)∈Rn，用于決策函數(shù)f(x)=sgn(g(x))

推斷給出輸入x相對應(yīng)的y值。接下來進(jìn)行特征選擇，再進(jìn)行特征提取，完成構(gòu)建。

二、問題描述

支持向量機(jī)實(shí)質(zhì)是一個(gè)判別分類器，通過分類超平面進(jìn)行判別。支持向量機(jī)可以將不同類別的樣本進(jìn)行空間分隔。工作機(jī)理也，把一些標(biāo)記(label)好的訓(xùn)練樣本(監(jiān)督式學(xué)習(xí)),通過SVM算法，輸出一個(gè)最優(yōu)化的分隔超平面，使平面上的所有點(diǎn)到平面的距離之和最大。

假定在空間中標(biāo)定了一堆分屬于二類用顏色分類的二維點(diǎn)假設(shè)在空間存在兩類用顏色分類的二維點(diǎn)，位置信息就是它的數(shù)據(jù)。SVM算法的實(shí)質(zhì)是找出一個(gè)能夠?qū)⒛硞€(gè)值最大化的超平面，這個(gè)值就是超平面離所有訓(xùn)練樣本的最小距離。這個(gè)最小距離用SVM術(shù)語來說叫做間隔(margin)。得到的最優(yōu)分割超平面噪聲低，敏感性高。

通過SVM最優(yōu)分割超平面，得到分割特征和分割程序。輸入新的數(shù)據(jù)，通過特征提取，得到位置信息，就可以找出它應(yīng)該是哪一種顏色(類別)了。

通過目前已有的點(diǎn)的信息，訓(xùn)練SVM得到一個(gè)所有參數(shù)都適用的分區(qū)模型。然后 for 循環(huán)根據(jù)已經(jīng)訓(xùn)練好的模型，根據(jù)新輸入的值，輸出預(yù)測新值以及所這個(gè)點(diǎn)所對應(yīng)的類別。本文通過SVM 進(jìn)行樣本訓(xùn)練，通過其判別能力，將整個(gè)空間依據(jù)SVM分類的結(jié)果劃分，并顯示支持向量。

三、步驟

(一)建立訓(xùn)練樣本

本文中的訓(xùn)練樣本分為兩類，程序如下：

float labels[4]= {1.0,-1.0,-1.0,-1.0};

float trainingData[4][2]= { {501,10},{255,10},{501,255},{10,501} };

函數(shù) CvSVM::train 訓(xùn)練數(shù)據(jù)儲(chǔ)存儲(chǔ)存類型為float儲(chǔ)存在其 Mat 結(jié)構(gòu)中。

Mat labelsMat(3,1,CV_32FC1,labels);

Mat trainingDataMat(3,2,CV_32FC1,trainingData);

(二)SVM參數(shù)設(shè)定

這些參數(shù)保存在類 CvSVMParams 中。

SVM類型，這里我們選擇了 CvSVM::C_SVC 類型，該類型可以用于n-類分類問題(n-2)。這個(gè)參數(shù)定義在 CvSVMParams.svm_type 屬性中。

SVM核類型，核函數(shù)是一個(gè)映射函數(shù)，通過映射，使訓(xùn)練后的樣本更容易線性分割，映射后樣本的維度增加。此處我們選擇的核函數(shù)類型是CvSVM::LINEAR 表示不需要進(jìn)行映射。

算法終止條件.SVM訓(xùn)練的過程是一個(gè)通過迭代解決約束下的二次優(yōu)化問題，我們給出一個(gè)最大迭代次數(shù)和容許誤差，作為算法的終止準(zhǔn)則。

(三)訓(xùn)練支持向量機(jī)

調(diào)用函數(shù) CvSVM::train 來建立SVM模型

CvSVM SVM;

SVM.train(trainingDataMat,labelsMat,Mat(),Mat(),params);

(四)SVM區(qū)域分割

函數(shù) CvSVM::predict 重建訓(xùn)練完畢的支持向量機(jī)來將輸入的樣本分類。 使用這個(gè)函數(shù)給對向量空間進(jìn)行著色，我們將圖中的所有的像素作為卡迪爾平面上的點(diǎn)，每一點(diǎn)的著由于SVM分類類別決定：綠色為標(biāo)記為1的點(diǎn)，藍(lán)色為標(biāo)記為-1的點(diǎn)。

(五)支持向量

這里用了幾個(gè)函數(shù)來獲取支持向量的信息。函數(shù) CvSVM::get_support_vector_count 輸出支持向量的數(shù)量，函數(shù) CvSVM::get_support_vector 根據(jù)輸入支持向量的索引來獲取指定位置的支持向量。 通過這一方法我們找到訓(xùn)練樣本的支持向量并突出顯示它們。

四、實(shí)現(xiàn)圖

程序得到了一個(gè)二分類圖像，通過訓(xùn)練得到SVM，將圖像按照像素分類。分類將圖像分為兩部分。

圖1 最優(yōu)分割超平面

最后支持向量通過灰色邊框加重顯示。

圖2 支持向量

呂永強(qiáng)(1992-)，男，漢族，山東濰坊人，在讀研究生，山東科技大學(xué)數(shù)學(xué)與系統(tǒng)科學(xué)學(xué)院，研究方向：系統(tǒng)分析與集成。