【摘要】：遺傳算法和粒子群算法都屬于群智能算法的范疇，其基本理論是通過(guò)計(jì)算機(jī)語(yǔ)言模仿動(dòng)物的某些行為，這種行為的基本特點(diǎn)是由眾多個(gè)體組成的種群對(duì)某一目標(biāo)開(kāi)展搜索，這種搜索是基于信息共享的。粒子群算法和遺傳算法經(jīng)過(guò)長(zhǎng)期的算法改進(jìn)和應(yīng)用研究，主要應(yīng)用于解決現(xiàn)實(shí)生活中遇到的規(guī)劃函數(shù)難以獲得或解算復(fù)雜的規(guī)劃求解問(wèn)題。其重要特點(diǎn)是在規(guī)劃問(wèn)題特別復(fù)雜難以求解的情況下，不需要對(duì)具體的函數(shù)關(guān)系進(jìn)行推導(dǎo)，而是結(jié)合最優(yōu)函數(shù)(適應(yīng)度)完成參數(shù)的規(guī)劃求解。此外，群智能算法在計(jì)算機(jī)語(yǔ)言實(shí)現(xiàn)過(guò)程具有容易理解、便于改進(jìn)等優(yōu)勢(shì)，經(jīng)過(guò)多年的研究已在統(tǒng)籌學(xué)、機(jī)器學(xué)習(xí)、人工智能等領(lǐng)域得到了比較廣泛的應(yīng)用。 支持向量機(jī)(Support Vector Machine，SVM)的分類(lèi)方法在解決小樣本、非線性、局部極小值等問(wèn)題上有著獨(dú)特的優(yōu)勢(shì)，其以結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論較好地避免了過(guò)學(xué)習(xí)和欠學(xué)習(xí)的問(wèn)題，因此在許多分類(lèi)研究領(lǐng)域中得到廣泛的應(yīng)用。但是在SVM的學(xué)習(xí)中，雖然支持向量機(jī)的參數(shù)選擇會(huì)對(duì)其分類(lèi)效果產(chǎn)生很大的影響，但對(duì)SVM核函數(shù)參數(shù)的選擇目前仍沒(méi)有形成一個(gè)統(tǒng)一的模式。 研究中使用SVM分類(lèi)器對(duì)研究區(qū)內(nèi)2010年TM遙感圖像進(jìn)行了分類(lèi)，其主要流程是在MATLAB平臺(tái)上實(shí)現(xiàn)遺傳算法和粒子群算法，實(shí)現(xiàn)相關(guān)的數(shù)據(jù)轉(zhuǎn)換代碼，在完成的上述系統(tǒng)中使用提取的樣本優(yōu)化SVM中的懲罰因子和核參數(shù)，得到分類(lèi)模型并進(jìn)行分類(lèi)，在此基礎(chǔ)上對(duì)遺傳算法和粒子群算法優(yōu)化SVM分類(lèi)器的參數(shù)，所使用的核函數(shù)為徑向基(RBF)核函數(shù)，對(duì)懲罰因子C和核參數(shù)g優(yōu)化問(wèn)題進(jìn)行進(jìn)一步討論。 完成了以下研究工作： (1)在MATLAB編程環(huán)境下，對(duì)實(shí)現(xiàn)SVM功能的LibSVM軟件包進(jìn)行了詳細(xì)的介紹，主要對(duì)交叉驗(yàn)證(Cross Validation)中的參數(shù)設(shè)置、圖像數(shù)據(jù)和樣本圖像格式轉(zhuǎn)換、分類(lèi)模型訓(xùn)練、圖像分類(lèi)等流程做了詳盡的介紹和深入的研究。 (2)對(duì)遺傳算法和粒子群算法的實(shí)現(xiàn)機(jī)理進(jìn)行分析，在MATLAB環(huán)境下以libSVM的交叉驗(yàn)證作為適應(yīng)度函數(shù)，實(shí)現(xiàn)了遺傳算法和粒子群算法的參數(shù)優(yōu)化功能，其中對(duì)遺傳算法的選擇、交換、變異階段實(shí)現(xiàn)方法進(jìn)行改進(jìn)，并與LibSVM的分類(lèi)工具進(jìn)行整合，使其與兩種參數(shù)優(yōu)化算法合理的完成耦合，為研究區(qū)遙感圖像的SVM分類(lèi)研究奠定基礎(chǔ)。 (3)以西雙版納勐臘縣關(guān)累鎮(zhèn)和勐臘自然保護(hù)區(qū)為本次研究的試驗(yàn)區(qū)，根據(jù)實(shí)地調(diào)查確定了分類(lèi)系統(tǒng)，完成了遺傳算法參數(shù)優(yōu)化和粒子群參數(shù)優(yōu)化的SVM遙感圖像分類(lèi)。對(duì)分類(lèi)結(jié)果進(jìn)行精度檢驗(yàn)，遺傳算法尋優(yōu)分類(lèi)結(jié)果總體精度81.1044%，粒子群算法分類(lèi)結(jié)果總體精度為85.0969%。兩種優(yōu)化算法比較：GA算法參數(shù)優(yōu)化過(guò)程中種群適應(yīng)度逐漸穩(wěn)定，粒子群群體適應(yīng)度變化劇烈。
【學(xué)位授予單位】：西南林業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：TP751;TP18
【圖文】：

機(jī)器學(xué)習(xí)歸屬于現(xiàn)代智能技術(shù)，是人工智能的發(fā)展中重要的一個(gè)環(huán)節(jié)，機(jī)器學(xué)習(xí)從觀測(cè)樣本的信息特征出發(fā)進(jìn)而分析對(duì)象，從中預(yù)測(cè)對(duì)象的屬性劃分問(wèn)題就是機(jī)器學(xué)習(xí)中的分類(lèi)研究領(lǐng)域，機(jī)器學(xué)習(xí)的基本模型如圖2-1：圖2-1 機(jī)器學(xué)習(xí)示意圖Figure 2-1 machine learning schemes

[44]。圖2-2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化示意圖Figure 2-2 structure risk minimization由此出現(xiàn)了兩種通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納原理實(shí)現(xiàn)學(xué)習(xí)機(jī)，其主要的原理如下：1. 對(duì)于一個(gè)函數(shù)集合或者是樣本集合，按照 VC 維理論構(gòu)建多個(gè)函數(shù)子集或者是子樣本，在每個(gè)子集或樣本中求取最小經(jīng)驗(yàn)風(fēng)險(xiǎn)，同時(shí)得到該子集或樣本的VC 維即置信風(fēng)險(xiǎn)。2. 改變函數(shù)集合的某種結(jié)構(gòu)（SVM 中依賴于核函數(shù)對(duì)樣本集的非線性變化），使得在其中的各函數(shù)子集或分類(lèi)類(lèi)型均可以取得最小的經(jīng)驗(yàn)風(fēng)險(xiǎn)(例如，使得訓(xùn)練誤差為0)，值得提出的是支持向量使用的就是該類(lèi)型的結(jié)構(gòu)風(fēng)險(xiǎn)最小化歸納原理。2.1.2 支持向量機(jī)的基本方法統(tǒng)計(jì)學(xué)習(xí)理論包括邊界理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理等部分

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 朱永生,張優(yōu)云;支持向量機(jī)分類(lèi)器中幾個(gè)問(wèn)題的研究[J];計(jì)算機(jī)工程與應(yīng)用;2003年13期

2 袁小芳;王耀南;;基于混沌優(yōu)化算法的支持向量機(jī)參數(shù)選取方法[J];控制與決策;2006年01期

3 葉航軍,白雪生,徐光yP;基于支持向量機(jī)的人臉姿態(tài)判定[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年01期

本文編號(hào)：2723180