對(duì)海量圖像的自動(dòng)分類已經(jīng)成為了許多領(lǐng)域的研究熱點(diǎn)之一,其中包括遙感圖像檢測(cè)、醫(yī)學(xué)應(yīng)用、人臉識(shí)別等。傳統(tǒng)的方法在對(duì)圖像進(jìn)行操作時(shí),會(huì)因?yàn)閳D像的高維屬性,使得分類的結(jié)果不盡人意。但隨著機(jī)器學(xué)習(xí)領(lǐng)域技術(shù)的發(fā)展,使得人們對(duì)圖像分類的研究如火如荼的進(jìn)行著。其中支持向量機(jī)（Support Vector Machine,SVM）由于其優(yōu)良的性能在圖像識(shí)別、信號(hào)處理和回歸預(yù)測(cè)等方面得到了廣泛的應(yīng)用。盡管如此,用SVM解決圖像分類仍然存在以下問(wèn)題:（1）首先是圖像本身的問(wèn)題,一般來(lái)說(shuō)圖像都是高維的數(shù)據(jù),直接送入SVM分類,會(huì)存在維數(shù)災(zāi)難的問(wèn)題;同時(shí)圖像有許多的特征是無(wú)關(guān)緊要的,去除這些特征不僅可以解決維數(shù)災(zāi)難的問(wèn)題,而且還可以保留圖像的重要特征。因此尋找一種合適的方法解決SVM圖像分類問(wèn)題中的維數(shù)災(zāi)難是至關(guān)重要的。（2）其次是SVM分類性能問(wèn)題,它的好壞依賴核函數(shù)和核參數(shù)的選取,合適的核函數(shù)和優(yōu)化的核參數(shù)可以很大程度上提高SVM的分類性能。因此,為了提高SVM在圖像分類方面的性能,本論文做了如下工作:（1）對(duì)圖像進(jìn)行預(yù)處理,確保輸入SVM的圖片特征信息是重要且精細(xì)的。具體而言,我們使用了圖像灰度化和線性... 

【文章來(lái)源】：西南大學(xué)重慶市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 支持向量機(jī)的研究現(xiàn)狀
        1.2.1 核函數(shù)研究
        1.2.2 多核多類SVM
    1.3 本文研究的主要內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 準(zhǔn)備工作及相關(guān)概念
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)概念
    2.2 鳥群算法的相關(guān)概念
    2.3 支持向量機(jī)的相關(guān)概念
        2.3.1 機(jī)器學(xué)習(xí)的問(wèn)題
        2.3.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化
        2.3.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化
        2.3.4 SVM模型
    2.4 本章小結(jié)
第三章 擬鳥群算法的設(shè)計(jì)與分析
    3.1 擬鳥群算法
    3.2 收斂性分析
    3.3 基準(zhǔn)函數(shù)測(cè)試
    3.4 本章小結(jié)
第四章 基于CNN-QBSA-SVM的圖像分類算法及實(shí)驗(yàn)分析
    4.1 模型整體框架
    4.2 CNN-QBSA-SVM算法主要過(guò)程
        4.2.1 圖像預(yù)處理及特征提取
        4.2.2 支持向量機(jī)參數(shù)優(yōu)化
    4.3 案例分析與實(shí)驗(yàn)仿真
        4.3.1 數(shù)據(jù)集介紹
        4.3.2 實(shí)驗(yàn)仿真與分析
        4.3.3 實(shí)驗(yàn)總結(jié)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
攻讀碩士期間已發(fā)表的論文
攻讀碩士期間參加的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識(shí)別中的應(yīng)用[J]. 冉鵬,王靈,李昕,劉鵬偉.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[2]基于圖像特征細(xì)化的海量數(shù)據(jù)挖掘系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 林凌,許然.  現(xiàn)代電子技術(shù). 2016(24)
[3]基于鳥群算法的微電網(wǎng)多目標(biāo)運(yùn)行優(yōu)化[J]. 曾嶒,彭春華,王奎,張艷偉,張明瀚.  電力系統(tǒng)保護(hù)與控制. 2016(13)
[4]基于主成分分析的結(jié)構(gòu)光條紋中心提取方法[J]. 蔡懷宇,馮召東,黃戰(zhàn)華.  中國(guó)激光. 2015(03)
[5]基于樸素貝葉斯K近鄰的快速圖像分類算法[J]. 張旭,蔣建國(guó),洪日昌,杜躍.  北京航空航天大學(xué)學(xué)報(bào). 2015(02)
[6]全球5G發(fā)展現(xiàn)狀概覽[J]. 高芳,趙志耘,張旭,趙蘊(yùn)華.  全球科技經(jīng)濟(jì)瞭望. 2014(07)
[7]Remote Sensing Image Classification Based on Decision Tree in the Karst Rocky Desertification Areas: A Case Study of Kaizuo Township[J]. Shuyong MA,Xinglei ZHU,Yulun AN.  Asian Agricultural Research. 2014(07)
[8]基于混合梯度下降算法的支持向量機(jī)參數(shù)優(yōu)化[J]. 莫贊,劉希良,謝海濤.  網(wǎng)絡(luò)新媒體技術(shù). 2014(02)
[9]一種結(jié)合SVM與卡爾曼濾波的短時(shí)交通流預(yù)測(cè)模型[J]. 朱征宇,劉琳,崔明.  計(jì)算機(jī)科學(xué). 2013(10)
[10]基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 王健峰,張磊,陳國(guó)興,何學(xué)文.  應(yīng)用科技. 2012(03)



本文編號(hào)：3502160