基于多特征SVMs分類器的手語識別*
加入技術交流群
SVMs的主要思想是建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。對于二維線性可分情況，令 H為把兩類訓練樣本沒有錯誤地分開的分類線，H1，H2分別為過各類中離分類線最近的樣本且平行于分類線的直線，它們之間的距離叫做分類間隔。所謂最優分類線就是要求分類線不但能將兩類正確分開，而且使分類間隔最大。在高維空間，最優分類線就成為最優分類面[8，9]。
設線性可分樣本集為(xi,yi))，i=1,2,…,n,x∈Rd，即x是d維特征向量，y∈{+1,-1}是類別標號，d維空間線性判斷函數的一般形式為g(x)=w×x+b，分類面方程為：w×x+b=0 (1)
式中w為權向量，b為分類閾值。要求分類面對所有樣本正確分類，就是要求它滿足：
Yi[w×xi+b]-1≥0,i=1,2,…,n (2)
滿足上述條件且使||w||2最小的分類面就叫做最優分類面， H1，H2上的訓練樣本點，也就是使式(2)中等號成立的樣本點，稱作支持向量。解這個最優化問題后得到的最優分類函數是：
在學習樣本是線性不可分，但卻是非線性可分的情況下，可以通過非線性變換把學習樣本變換到高維空間，使其在高維空間里是線性可分的。用核函數 K(x,y)代替原來的點積(x·y)，Mercer定理指出，核函數 K(x,y)通過與其相聯系的非線性變換Φ隱含地把特征向量映射到高維特征空間，使得學習樣本成為線性可分的。常用的核函數有:
評論