模式识别-支撑向量机

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,模式识别原理,华中科技大学图像识别与人工智能研究所,图像分析与智能系统研究室,曹治国,2024/11/28,1,3.6,支撑向量机,2024/11/28,3,3.6,支撑向量机,2024/11/28,4,3.6,支撑向量机,2024/11/28,5,3.6,支撑向量机,2024/11/28,6,3.6,支撑向量机,2024/11/28,7,3.6,支撑向量机,2024/11/28,8,3.6,支撑向量机,2024/11/28,9,3.6,支撑向量机,2024/11/28,10,3.6,支撑向量机,2024/11/28,11,3.6,支撑向量机,2024/11/28,12,3.6,支撑向量机,2024/11/28,13,3.6,支撑向量机,2024/11/28,14,3.6,支撑向量机,2024/11/28,15,3.6,支撑向量机,2024/11/28,16,3.6,支撑向量机,公式推导,2024/11/28,17,3.6,支撑向量机,非线性可分时,2024/11/28,18,3.6,支撑向量机,非线性可分时,2024/11/28,19,3.6,支撑向量机,非线性可分时,2024/11/28,20,3.6,支撑向量机,非线性可分时，在广义线性判别函数时是变换到新的空间中,2024/11/28,21,广义线性判别函数,2024/11/28,22,3.6,支撑向量机,一个例子,2024/11/28,23,3.6,支撑向量机,X,要变换到高维空间,2024/11/28,24,3.6,支撑向量机,用,X,的函数表示这种变换,2024/11/28,25,3.6,支撑向量机,用,X,的函数表示这种变换,2024/11/28,26,3.6,支撑向量机,要做,(m+2)(m+1)/2,次乘法和加法,2024/11/28,27,3.6,支撑向量机,2024/11/28,28,3.6,支撑向量机,2024/11/28,29,3.6,支撑向量机,2024/11/28,30,3.6,支撑向量机,2024/11/28,31,3.6,支撑向量机,2024/11/28,32,3.6,支撑向量机,2024/11/28,33,3.6,支撑向量机,2024/11/28,34,3.6,支撑向量机,2024/11/28,35,3.6,支撑向量机,结论：,当我们处理非线性可分情况时，将特征向量变换到高维空间时，我们可以只要定义变换后的内积运算，而不必真的进行这种变换。统计学习理论指出，只要这种运算满足,Mercer,条件，它就可以作为这里的内积使用,2024/11/28,36,3.6,支撑向量机,2024/11/28,37,3.6,支撑向量机,2024/11/28,38,3.6,支撑向量机,由于最终的判别函数中实际只包含与支持向量的内积和求和，因此，识别时的计算复杂度取决于支持向量的个数,2024/11/28,39,3.6,支撑向量机,