[发明专利]一种基于自适应核函数选择的支持向量机自动分类方法

权利要求书

1.一种基于自适应核函数选择的支持向量机自动分类方法，其特征在于：包括以下步骤：

第一步，建立分类图像代表集；

第二步，依多类图像代表集计算所有训练图像的灰度均值、标准偏差、平滑度、三阶矩、一致性、熵，得到所有训练图像的特征向量；

第三步，结合数据驱动下的机器学习处理思想，提出核函数的原型；

第四步，基于自适应的遗传算法实现核函数类型及参数的最优选择；

第五步，重复第二步，计算得到待分类图像的特征向量；

第六步，使用学习得到的分类器进行处理，得到待分类图像所属的类别。

2.如权利要求1所述的自动分类方法，其特征在于：所述第一步，包括：

(1)根据需要定义J个类别的图像或数据，类别编号为1～J，J为自然数；

(2)对每类图像标记出实际所属的类别，选取其中数量为L的图像数据作为训练集，其余图像作为测试集；

(3)将所有J类图像代表合并为多类图像代表集。

3.如权利要求1所述的自动分类方法，其特征在于：所述第三步，方法是：

(A)构造满足核函数性质的基本核函数，具体步骤是：

A1、构造多项式核K_poly，定义为：

K_poly(x_i，x_j)＝(a(x_i·x_j)+b)^d       (1)

A2、构造径向基核K_rbf，定义为：

K_rbf(x_i，x_j)＝exp(-γ||x_i-x_j||²)    (2)

A3、构造神经网络核K_sig，定义为：

K_sig(x_i，x_j)＝tanh(a(x_i·x_j)+β)    (3)

以上三式中，a，b，α，β，γ分别为核函数系数，x为核函数中的数据向量。

(B)基于(A)步所得基本核函数，构建核函数原型，定义如下：

K(x,z)=λ1Kpoly(x,z)θ1+λ2Krbf(x,z)θ2+λ3Ksig(x,z)θ3---(4)]]>

其中，λ_i，θ_i∈R⁺，i＝1，2，3，x和z分别为数据向量；根据多项式核与径向基核的表达式，指数因子θ₁和θ₂可以分别并入核函数自身参数中，使核函数原型简化为如下的普适形式：

K(x，z)＝λ₁K_poly(x，z)+λ₂K_rbf(x，z)+λ₃K_sig(x，z)^θ    (5)。