论文部分内容阅读
支持向量机(Support Vector Machine,SVM)是一种新兴的机器学习方法,在近些年进展非常迅速,研究结果表明,该方法可以应用于多个领域,并且具有广阔的应用潜能。SVM集成了最大间隔超平面、凸二次规划、Mercer核和松弛变量等多项技术。在信号处理、图像识别和基因图谱识别等挑战性的应用中,SVM获得了目前为止最好的性能,并显示了它的优势。手写数字识别是处理一些数据信息的核心技术,比如:统计报表、邮政编码、银行票据等录入的数据信息。因此,该领域的研究具有重大的应用意义。SVM在手写数字识别中的关键在于数字图像预处理和SVM核函数的选取。低维空间向量集通常不易划分,核函数能够很好地解决这个问题。换句话说,若想得到高维空间的分类函数,需要选用适当的核函数。在SVM理论中,使用不同的核函数将得到不同的SVM算法。因此,在SVM分类识别中应注重参数和SVM核函数的优化及样本的特征选择,参数优化主要针对C和两个参数。本文主要研究了SVM核函数的参数优化方法的选取。首先对三种主流参数优化算法:网格搜索法、GA、PSO算法,在识别精度等方面进行比较。相比之下,PSO算法所得到的结果最优。因此,本文选用该算法进行参数优化。进而提出基于改进的PSO-LSSVM的手写数字识别方法,此方法兼顾了改进的PSO和LSSVM的优点。本文利用Libsvm加强工具箱和改进的PSO-LSSVM模型进行手写数字识别。首先用改进的PSO进行参数优化,然后用LSSVM进行手写数字识别,该方法不仅提高了局部搜索能力,而且可解决识别过程中训练集中类别标号不十分准确的问题。实验结果表明,提出的新模型表现出较好的模型稳定性,并且有效地提高了数字识别的准确度,具有一定的应用价值,可以广泛的应用于手写数字识别领域。