基于支持向量学习的多目标并行区域增长图像分割算法研究

为克服经典区域增长算法中生长规则以及特征选取的困难,提出了基于支持向量机的多目标并行区域增长图像分割算法。首先交互选择多个不同区域的种子点(假设邻近种子点的一小部分区域属于同一目标区域,不同种子点邻域分别属于不同目标区域),利用其邻域构造训练样本;然后利用这些已知的训练样本训练支持向量分类器;在区域增长过程中,利用训练所得的支持向量模型建立增长规则。为了避免初始种子点位置选择对算法性能的影响,采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果,表明提出的算法是合理可行的。

基于几何分析的支持向量机推广能力推测模型

利用支持向量机分类器中支持向量分布的几何意义,构造了一种新的与样本分布相关的推广能力预测模型,该模型充分利用了支持向量分布的先验信息,它与统计学习理论中推广能力准则具有一致的几何意义。首先利用支持向量分布的几何意义出发从海量样本中选择有效边界向量代替原有训练样本,然后在有效边界向量中分别计算最小包含半径和最大分类间隔。它不需要求解二次规划就可以得到与训练样本相关的推广能力计算模型,计算量较低。本文最后的最优核函数、核参数选择仿真实验结果表明本文提出的基于几何分析的支持向量机推广能力推测模型的合理性与高效性,该模型对于解决支持向量机中最优核函数、核参数选择具有重要意义。