[发明专利]3D手写识别SVM分类器核参数选取方法及用途

说明书

技术领域

本发明属于3D手写识别技术领域，特别涉及3D手写识别技术中的SVM分类器优化的问题。

背景技术

手写识别技术是在人机交互技术趋势下逐渐发展形成的一门热门技术。对比传统的平面手写识别，3D手写识别是目前一种新兴的手写识别技术，可以提供给用户一种更加自然和高效的人机交互体验，在这些年逐渐成为了手写识别技术的研究热点，是今后手写识别的发展趋势。

一直以来，SVM分类器的核函数参数优化问题是3D手写识别过程的关键技术，核函数的性能对于最后的识别正确率有着重要的影响。传统的SVM核函数参数选取方法包括网格搜索法与交叉验证法，这两种方法的优点是算法实现较为简单，但同时也暴露出训练出来的分类器识别精度偏低的缺陷，也不能够满足对于3D手写识别正确率的要求。近年来随着群智能算法的崛起，学者们开始研究如何将群智能算法应用于SVM核函数领域。目前常见的应用于SVM核函数领域的群智能算法包括遗传算法、粒子群算法和蛙跳算法。遗传算法的特点是对目标函数要求不高，局部性能较好，但是对初值敏感，算法精度偏低；粒子群算法的特点是收敛速度快，全局性能好，但是其局部性能较差，很容易陷入局部极值，出现早熟现象；蛙跳算法的特点是鲁棒性较好，但是算法精度偏低，并且实现复杂。以上算法都在不同程度上满足了SVM核函数参数选取的要求，但是对于全局与局部性能的平衡，以及鲁棒性、简易性和计算精度的兼顾上仍有欠缺，在3D手写识别系统中的识别效果不是很理想。

2005年，Krishnanand与Ghose提出了萤火虫算法(Glowworm Swarm Optimization,GSO)。萤火虫算法是新一批崛起的群智能算法的代表，以其极强的局部与全局优化性能、较高的鲁棒性等天然优势受到了学者的广泛关注，目前已成功应用于多模态函数优化、传感器的噪声测试、有害气体泄露定位和计算机模拟人工机器人等人工智能领域。在基本萤火虫算法中，发光越亮的萤火虫所在位置的目标函数值越优，每只萤火虫都拥有自己的视野范围，在视野范围内依靠动态决策来选择比自己亮度高的萤火虫结为邻居并决定移动方向。这种依赖于局部信息搜索的机制使得萤火虫算法整体上不易陷于局部极值点并且因为动态决策域的存在，鲁棒性都得到保证，同时萤火虫个体倾向于向最优位置、荧光最亮个体移动，最优个体随机移动，寻找更优位置，从而使整个群体形成正反馈，全局寻优能力大大增强，因此理论上很适合组合参数式（类似于SVM核参数的惩罚因子和高斯径向基宽度的参数组合）的全局优化过程。但是萤火虫算法收敛速度还不够快，算法后期会出现的收敛不稳定现象，这些缺点限制了萤火虫算法在3D手写识别中的应用。

发明内容

本发明的目的是提供一种3D手写识别SVM分类器核参数选取方法及用途，从而构建性能更加优良的3D手写识别系统，进而可以有效地提高3D手写识别系统的识别率。

本发明的技术方案如下：

3D手写识别SVM分类器核参数选取方法，核参数选取过程包括以下步骤：

1）加速度传感器采集数据：采用三维加速度传感器评估板进行数据的采集；

2）预处理：预处理阶段使用卡尔曼滤波方法滤除环境因素带来的手抖、温度噪声，同时对因为书写者的书写顺序与姿势不同带来的差异进行数据归一化；

3）特征提取：提取旋转特征作为时域特征，提取快速傅氏变换特征作为频域特征；采用串行方法进行时域和频域特征融合，得到时频域融合特征；利用主成分分析和线性鉴别分析组合算法降维；

4）SVM分类识别：识别部分选用径向基核函数作为训练函数，首先设定惩罚因子和径向基核函数宽度的变化范围，构成解空间，将萤火虫随机分布在解空间中，在每次迭代过程中通过改进位置更新机制并参考亮度因素进行位置更新，算法的最优解即代表SVM核参数的最佳值，最后利用3D手写特征样本和优化过的核函数训练出最佳的SVM分类器，从而对新的3D手写数据进行高精度的分类判断。

步骤4）中所述的位置更新机制的公式如下所示：