資源描述：
《基于支持向量機(jī)的煙葉感官品質(zhì)評(píng)價(jià)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、http://www.paper.edu.cn基于支持向量機(jī)的煙葉感官品質(zhì)評(píng)價(jià)趙青松李興兵唐小松（國防科技大學(xué)信息系統(tǒng)與管理學(xué)院，長沙410073）關(guān)鍵詞：支持向量機(jī)，煙葉感官品質(zhì)摘要：支持向量機(jī)是一種新的機(jī)器學(xué)習(xí)算法，它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，在最小化樣本點(diǎn)誤差的同時(shí)，縮小模型預(yù)測誤差的上界，從而提高了模型的泛化能力。本文通過SVM在煙葉感官品質(zhì)評(píng)價(jià)中的應(yīng)用，研究了SVM的小樣本學(xué)習(xí)，泛化能力和抗噪聲擾動(dòng)能力。TabacumsensoryevaluationbasedonthesupportvectormachineKeywords：supportvectormachine，tabacum
2、sensoryevaluationAbstractSupportvectormachineisanewmachinelearningalgorithmemployingthecriteriaofstructuralriskminimization,whichminimizestheerrorsbetweensample-dataandmodel-dataanddecreasessimultaneouslytheupperboundofpredicterrorofmodel,SVM’sgeneralizationisbetterthanothers.ThecharacteristicsofSV
3、M,suchasthestronglearingcapabilitybasedonsmallsamples,thegoodcharacteristicofgeneralizationandinsensitivitytorandomnoisedisturbance,areshownbyitsapplicationstothetabacumsensoryevalution.1、引言煙葉化學(xué)成分是決定煙葉感官品質(zhì)的內(nèi)在因素。煙葉化學(xué)成分與煙葉感官品質(zhì)關(guān)系的研究一直是煙草化學(xué)家關(guān)注的主題。然而,煙葉化學(xué)成分是相當(dāng)復(fù)雜的,目前在煙葉中已鑒定出的化學(xué)成分已超過5000種,因此,要直接分析煙葉化學(xué)成分與煙
4、葉感官品質(zhì)的關(guān)系是困難的。支持向量機(jī)作為統(tǒng)計(jì)學(xué)習(xí)理論的重要組成部分，具有堅(jiān)實(shí)的理論基礎(chǔ)和良好的有限樣本學(xué)習(xí)能力，可以作為分析煙葉化學(xué)成分與煙葉感官品質(zhì)關(guān)系的一種新的更加合適的手段。2、支持向量機(jī)支持向量機(jī)是Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的學(xué)習(xí)方法，近年來受到了國際學(xué)術(shù)界的重視。支持向量機(jī)理論的最大特點(diǎn)是根據(jù)Vapnik結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，盡量提高學(xué)習(xí)機(jī)的泛化能力，即由有限的訓(xùn)練集樣本得到的小的誤差能夠保證對(duì)獨(dú)立的測試集仍保持小的誤差。另外，由于支持向量機(jī)算法是一個(gè)凸優(yōu)化問題，因此局部最優(yōu)解一定是全局最優(yōu)解。這些特點(diǎn)是其他學(xué)習(xí)算法，如神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法所不具備的?？紤]n維空間上的分
5、類問題，它包含n個(gè)指標(biāo)和k個(gè)樣本點(diǎn)，記這k個(gè)樣本點(diǎn)的集合為kTx={(,y),...,(x,y)}∈(X×Y)（1）11kkn其中x∈=XR，yY∈={1,?1}是輸出指標(biāo)，或稱輸出，i=1,...k.這k個(gè)樣本點(diǎn)組成的ii集合稱為訓(xùn)練集，所以也稱樣本點(diǎn)為訓(xùn)練點(diǎn)。超平面wx?+=b0（2）將樣本劃分成兩類，其中“?”表示向量的點(diǎn)積。最佳的超平面應(yīng)該使兩類樣本到超平面最小的距離為最大。不失一般性，設(shè)對(duì)所有樣本x，取式
6、(wx?)+b
7、的最小值為1，則樣本i-1-http://www.paper.edu.cn與此超平面的最小距離應(yīng)為1/
8、
9、w
10、
11、。超平面應(yīng)滿足約束yw[(?x)+≥b]1,i=1
12、,...,k（3）iiw和b的優(yōu)化條件應(yīng)是使兩類樣本到超平面的最小距離之和達(dá)到最大，即等價(jià)于求解下列最優(yōu)化問題。12min
13、
14、w
15、
16、,wb,2（4）st..y[(w?+x)b]≥1,i=1,...,ki當(dāng)訓(xùn)練集線性不可分時(shí)，任何超平面都必有劃分錯(cuò)誤的樣本點(diǎn)，所以不再要求所有的樣本點(diǎn)都滿足約束條件yw[(?+x)b]≥1。為此對(duì)第i個(gè)訓(xùn)練點(diǎn)(,xy)引進(jìn)松弛變量ξ≥0，約iiiii束條件放松為yw[(?x)++b]ξ≥1。同時(shí)引進(jìn)懲罰參數(shù)C作為對(duì)劃錯(cuò)樣本點(diǎn)的懲罰，此時(shí)iii的優(yōu)化函數(shù)變?yōu)椋簁12min
17、
18、w
19、
20、+C∑ξi,wb,2i=1st..y[(w?+x)b]≥1,i=1,...,k,（5
21、）iξ≥=0,ik1,...,.i優(yōu)化問題（5）的對(duì)偶問題為kkk1min(∑∑yyijaiajxi??xj)∑aj,a2ij==11j=1kst..∑yiia=0,（6）i=10≤≤aC,i=1,...,k.i按照優(yōu)化理化中的Kuhn-Tucker定理，在鞍點(diǎn)，對(duì)偶變量與約束的乘積為0，即ay[(w?+xb)?1+ξ]=0,i=1,...kiiii（7）γξ==0ik1,...ii可見，非0的a所對(duì)應(yīng)的樣本
