论文部分内容阅读
支持向量机(support vector machine,SVM)是建立在核函数基础上的机器学习算法,在模式识别,模式回归等领域有着广泛的应用。不同的核函数,同一核函数不同的核参数,对于SVM泛化能力的影响是显著的,在一些复杂的问题中,特别是数据具有异构性,样本分布不平坦的情况下,单一核函数已经难以满足问题的需要,近些年来有学者提出来多核支持向量机算法,多核支持向量机算法通过将这些核函数组合起来学习,得到更高的泛化能力。传统的多核支持向量机的合成核函数构造中,其核函数的权系数是常数,无法体现局部信息,局部多核支持向量机算法(LMKL)是一种变系数的多核支持向量机算法,其利用选通函数局部的选取合适的合成核函数,但是,其选通函数有严重的参数沉余的问题,为此,本文提出来改进的局部多核支持向量机算法(ILMKL),在其目标函数中加入正则项,区别于LMKL中选通函数的l1范数形式,本文使用选通函数的l p范数形式,增强核函数间的“互补”作用。人脸图像的特征提取是进行识别工作的一个前提,特征提取的好坏直接影响识别工作的结果,而分类器的设计是人脸识别工作的核心,因此,本文重点研究人脸识别中的特征提取和分类器的设计,在特征提取阶段,主要使用基于代数特征的方法中典型的主成分分析法(PCA)和基于频率域特征中典型的小波分解方法,在分类器设计阶段,分别使用SimpleMKL,LMKL和本文提出的ILMKL算法作为分类器。实验选用UCI数据库和ORL人脸库来验证ILMKL算法的有效性,实验结果表明,提出的ILMKL算法有着出色的识别准确率,和良好的运算效率。