第9卷第4期 智能系统学报 Vol.9 No.4 2014年8月 CAAI Transactions on Intelligent Systems Agu.2014 D0I:10.3969/j.issn.1673-4785.201312040 网络出版t地址：http://www.cnki.net/kcms/doi/10.3969/j.issn.1673-4785.201312040.html 支持向量机的多观测样本二分类算法 李欢，王士同 (江南大学数字蝶体学院，江苏无锡214000) 摘要：针对多观测样本的分类问题，提出基于SVM的多观测样本二分类算法。每次分类时，首先限制组成多观测 样本的所有单观测样本属于同一类别，对多观测样本的类别做2次假设，通过比较不同类别假设下的目标函数最优 解来确定多观测样本的类别。该方法无需对分类器进行训练或提前对训练集进行特征表示，而是将已知标签样本 集和多观测样本作为一个整体，充分利用特征空间中同类样本连续分布这一特点，使得分类更加准确。结果表明所 提方法的有效性。 关键词：模式识别；多观测；同类样本：SVM;二分类 中图分类号：TP391.4文献标志码：A文章编号：1673-4785(2014)04-392-09 中文引用格式：李欢，王士同.支持向量机的多观测样本二分类算法[J].智能系统学报，2014,9(4)：392400. 英文引用格式：LI Huan,WANG Shitong.Binary-class classification algorithm with multiple-access acquired objects based on the SVM[J].CAAI Transactions on Intelligent Systems,2014,9(4):392-400. Binary-class classification algorithm with multiple-access acquired objects based on the SVM LI Huan,WANG Shitong (1.School of Digital Media,Jiangnan University,Wuxi 214000,China;2.School of Digital Media,Jiangnan University,Wuxi 214000.China) Abstract:The binary-class classification algorithm with multiple-access acquired objects based on the SVM is pro- posed for the purpose of classification of an object given with multiple observations in this paper.In each classifica- tion,initially all single observation samples in the multiple observation sample set are restricted to a same class.Two hypotheses are made for the class of the multiple observation sample set,and the class is determined by comparing the optimal values of the different objective functions under different class hypotheses.This method does not require training the classifier or early feature representation of the training set,instead,it takes advantage of the continuity law of the feature space of similar samples with the labeled samples and multiple observation samples as a whole, making the algorithm more accurate for classifications.Experiments show that the proposed method is valid and effi- cient. Keywords:pattern recognition;multiple observations;similar samples;SVM;binary-class classification 传统模式识别主要针对测试模式为单观测样本 定模式在不同时刻或不同条件下的多个观测样本。 的情况。然而，随着人工智能技术的飞速发展，数据 例如，日常生活中，可以用摄像头获取一个物体或一 采集工作变得越来越容易，人们常常可以获取某特 个人在不同时刻、不同光照条件下的图像数据，也可 收稿日期：2013-12-20.网络出版日期：2014-06-21 以借用多个摄像头从不同的角度获取图像数据。此 基金项目：国家自然科学基金资助项目(61272210)：江苏省自然科学基外，即使是相同的观测数据，若用不同的方法进行数 金资助项目(BK2011417,BK2011003):江苏省“333”工程基 金资助项目(BRA2011142). 据转换，得到的特征值也不一样，这些就构成了同一 通信作者：李欢.E-mail:huanli1130@126.com. 模式的多观测样本。多观测样本相对于单观测样本第 怨 卷第 源 期摇摇摇摇摇 摇摇摇 摇摇摇 摇摇摇 智 能 系 统 学 报摇摇摇摇摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 灾燥造援怨 翼援源 圆园员源 年 愿 月摇摇摇摇摇摇摇摇摇摇摇摇 悦粤粤陨 栽则葬灶泽葬糟贼蚤燥灶泽 燥灶 陨灶贼藻造造蚤早藻灶贼 杂赠泽贼藻皂泽 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 粤早怎援 圆园员源 阅韵陨院员园援猿怨远怨 辕 躁援蚤泽泽灶援员远苑猿鄄源苑愿缘援圆园员猿员圆园源园 网络出版地址院澡贼贼责院 辕 辕 憎憎憎援糟灶噪蚤援灶藻贼 辕 噪糟皂泽 辕 凿燥蚤 辕 员园援猿怨远怨 辕 躁援蚤泽泽灶援员远苑猿鄄源苑愿缘援圆园员猿员圆园源园援澡贼皂造 支持向量机的多观测样本二分类算法 李欢袁王士同 渊江南大学 数字媒体学院袁江苏 无锡 圆员源园园园冤 摘 要院针对多观测样本的分类问题袁提出基于 杂灾酝 的多观测样本二分类算法遥 每次分类时袁首先限制组成多观测 样本的所有单观测样本属于同一类别袁对多观测样本的类别做 圆 次假设袁通过比较不同类别假设下的目标函数最优 解来确定多观测样本的类别遥 该方法无需对分类器进行训练或提前对训练集进行特征表示袁而是将已知标签样本 集和多观测样本作为一个整体袁充分利用特征空间中同类样本连续分布这一特点袁使得分类更加准确遥 结果表明所 提方法的有效性遥 关键词院模式识别曰多观测曰同类样本曰杂灾酝曰二分类 中图分类号院 栽孕猿怨员援源摇 文献标志码院粤摇 文章编号院员远苑猿鄄源苑愿缘渊圆园员源冤园源鄄猿怨圆鄄园怨 中文引用格式院李欢袁王士同援 支持向量机的多观测样本二分类算法咱允暂援 智能系统学报袁 圆园员源袁 怨渊源冤 院 猿怨圆鄄源园园援 英文引用格式院蕴陨 匀怎葬灶袁宰粤晕郧 杂澡蚤贼燥灶早援 月蚤灶葬则赠鄄糟造葬泽泽 糟造葬泽泽蚤枣蚤糟葬贼蚤燥灶 葬造早燥则蚤贼澡皂 憎蚤贼澡 皂怎造贼蚤责造藻鄄葬糟糟藻泽泽 葬糟择怎蚤则藻凿 燥遭躁藻糟贼泽 遭葬泽藻凿 燥灶 贼澡藻 杂灾酝咱允暂援 悦粤粤陨 栽则葬灶泽葬糟贼蚤燥灶泽 燥灶 陨灶贼藻造造蚤早藻灶贼 杂赠泽贼藻皂泽袁 圆园员源袁 怨渊源冤 院 猿怨圆鄄源园园援 月蚤灶葬则赠鄄糟造葬泽泽 糟造葬泽泽蚤枣蚤糟葬贼蚤燥灶 葬造早燥则蚤贼澡皂 憎蚤贼澡 皂怎造贼蚤责造藻鄄葬糟糟藻泽泽 葬糟择怎蚤则藻凿 燥遭躁藻糟贼泽 遭葬泽藻凿 燥灶 贼澡藻 杂灾酝 蕴陨 匀怎葬灶袁 宰粤晕郧 杂澡蚤贼燥灶早 渊员援 杂糟澡燥燥造 燥枣 阅蚤早蚤贼葬造 酝藻凿蚤葬袁 允蚤葬灶早灶葬灶 哉灶蚤增藻则泽蚤贼赠袁 宰怎曾蚤 圆员源园园园袁 悦澡蚤灶葬曰 圆援 杂糟澡燥燥造 燥枣 阅蚤早蚤贼葬造 酝藻凿蚤葬袁 允蚤葬灶早灶葬灶 哉灶蚤增藻则泽蚤贼赠袁 宰怎曾蚤 圆员源园园园袁 悦澡蚤灶葬冤 粤遭泽贼则葬糟贼院栽澡藻 遭蚤灶葬则赠鄄糟造葬泽泽 糟造葬泽泽蚤枣蚤糟葬贼蚤燥灶 葬造早燥则蚤贼澡皂 憎蚤贼澡 皂怎造贼蚤责造藻鄄葬糟糟藻泽泽 葬糟择怎蚤则藻凿 燥遭躁藻糟贼泽 遭葬泽藻凿 燥灶 贼澡藻 杂灾酝 蚤泽 责则燥鄄 责燥泽藻凿 枣燥则 贼澡藻 责怎则责燥泽藻 燥枣 糟造葬泽泽蚤枣蚤糟葬贼蚤燥灶 燥枣 葬灶 燥遭躁藻糟贼 早蚤增藻灶 憎蚤贼澡 皂怎造贼蚤责造藻 燥遭泽藻则增葬贼蚤燥灶泽 蚤灶 贼澡蚤泽 责葬责藻则援 陨灶 藻葬糟澡 糟造葬泽泽蚤枣蚤糟葬鄄 贼蚤燥灶袁 蚤灶蚤贼蚤葬造造赠 葬造造 泽蚤灶早造藻 燥遭泽藻则增葬贼蚤燥灶 泽葬皂责造藻泽 蚤灶 贼澡藻 皂怎造贼蚤责造藻 燥遭泽藻则增葬贼蚤燥灶 泽葬皂责造藻 泽藻贼 葬则藻 则藻泽贼则蚤糟贼藻凿 贼燥 葬 泽葬皂藻 糟造葬泽泽援栽憎燥 澡赠责燥贼澡藻泽藻泽 葬则藻 皂葬凿藻 枣燥则 贼澡藻 糟造葬泽泽 燥枣 贼澡藻 皂怎造贼蚤责造藻 燥遭泽藻则增葬贼蚤燥灶 泽葬皂责造藻 泽藻贼袁 葬灶凿 贼澡藻 糟造葬泽泽 蚤泽 凿藻贼藻则皂蚤灶藻凿 遭赠 糟燥皂责葬则蚤灶早 贼澡藻 燥责贼蚤皂葬造 增葬造怎藻泽 燥枣 贼澡藻 凿蚤枣枣藻则藻灶贼 燥遭躁藻糟贼蚤增藻 枣怎灶糟贼蚤燥灶泽 怎灶凿藻则 凿蚤枣枣藻则藻灶贼 糟造葬泽泽 澡赠责燥贼澡藻泽藻泽援 栽澡蚤泽 皂藻贼澡燥凿 凿燥藻泽 灶燥贼 则藻择怎蚤则藻 贼则葬蚤灶蚤灶早 贼澡藻 糟造葬泽泽蚤枣蚤藻则 燥则 藻葬则造赠 枣藻葬贼怎则藻 则藻责则藻泽藻灶贼葬贼蚤燥灶 燥枣 贼澡藻 贼则葬蚤灶蚤灶早 泽藻贼袁 蚤灶泽贼藻葬凿袁 蚤贼 贼葬噪藻泽 葬凿增葬灶贼葬早藻 燥枣 贼澡藻 糟燥灶贼蚤灶怎蚤贼赠 造葬憎 燥枣 贼澡藻 枣藻葬贼怎则藻 泽责葬糟藻 燥枣 泽蚤皂蚤造葬则 泽葬皂责造藻泽 憎蚤贼澡 贼澡藻 造葬遭藻造藻凿 泽葬皂责造藻泽 葬灶凿 皂怎造贼蚤责造藻 燥遭泽藻则增葬贼蚤燥灶 泽葬皂责造藻泽 葬泽 葬 憎澡燥造藻袁 皂葬噪蚤灶早 贼澡藻 葬造早燥则蚤贼澡皂 皂燥则藻 葬糟糟怎则葬贼藻 枣燥则 糟造葬泽泽蚤枣蚤糟葬贼蚤燥灶泽援 耘曾责藻则蚤皂藻灶贼泽 泽澡燥憎 贼澡葬贼 贼澡藻 责则燥责燥泽藻凿 皂藻贼澡燥凿 蚤泽 增葬造蚤凿 葬灶凿 藻枣枣蚤鄄 糟蚤藻灶贼援 运藻赠憎燥则凿泽院责葬贼贼藻则灶 则藻糟燥早灶蚤贼蚤燥灶曰 皂怎造贼蚤责造藻 燥遭泽藻则增葬贼蚤燥灶泽曰 泽蚤皂蚤造葬则 泽葬皂责造藻泽曰 杂灾酝曰 遭蚤灶葬则赠鄄糟造葬泽泽 糟造葬泽泽蚤枣蚤糟葬贼蚤燥灶 收稿日期院圆园员猿鄄员圆鄄圆园援 摇 网络出版日期院圆园员源鄄园远鄄圆员援 基金项目院国家自然科学基金资助项目渊远员圆苑圆圆员园冤 曰江苏省自然科学基 金资助项目渊月运圆园员员源员苑袁 月运圆园员员园园猿冤 曰江苏省野 猿猿猿冶工程基 金资助项目渊月砸粤圆园员员员源圆冤援 通信作者院李欢援 耘鄄皂葬蚤造院澡怎葬灶造蚤员员猿园岳 员圆远援糟燥皂援 摇 摇 传统模式识别主要针对测试模式为单观测样本 的情况遥 然而袁随着人工智能技术的飞速发展袁数据 采集工作变得越来越容易袁人们常常可以获取某特 定模式在不同时刻或不同条件下的多个观测样本遥 例如袁日常生活中袁可以用摄像头获取一个物体或一 个人在不同时刻尧不同光照条件下的图像数据袁也可 以借用多个摄像头从不同的角度获取图像数据遥 此 外袁即使是相同的观测数据袁若用不同的方法进行数 据转换袁得到的特征值也不一样袁这些就构成了同一 模式的多观测样本遥 多观测样本相对于单观测样本