基于遗传相关向量机的图像分类技术
- 文档名称:基于遗传相关向量机的图像分类技术
- 文档关注次数:1001
- 文档格式:纸质版或者PDF电子版(用Acrobat Reader打开)或Word版本doc格式
- 文档大小:361KB
- 上传者:xigulu
- 添加时间:2019/05/05
- 内容摘要:
第28卷第5期
计算机仿真
2011年5月
文章编号:1006-93148(201)05-0283-04
基于遗传相关向量机的图像分类技术
张昱2,谢小鸡
(1.华南理工大学,广东广州510641;2.广东省科学院自动化工程研制中心,广东广州510070)
摘要:为了克服当前图像分类算法分类精度低等难题,提出基于遗传相关向量机(G-RVM)的图像分类方法,应用遗传算法
对相关向量机参数进行优化。首先,采用主成分析法(PCA)提取图象特征;其次,利用训练集的数据,结合遗传算法获得相
关向量机最优参数,得到优化的相关向量机图像分类模型;最后,采用 Corel图像数据库中的图像作为实验数据。实验结果
表明遗传相关向量机的图像分类方法比现有的图像分类方法有着更高的分类精度。因此,遗传相关向量机方法非常适合图
像分类。
关词:图像分类;相关向量机;主成分析;分类精度
中图分类号:TrP317.4文獻标识码:B
Image Classification Technology Based on Genetic
Algorithm and Relevance Vector Machine
ZHANG Yu", XIE Xiao-peng
(1. South China University of Technology, Guangzhou Guangdong 510641, China;
2. Automation Engineering R&M Center, Guangdong Academy of Sciences, Guangzhou Guangdong 510070, China)
ABSTRACT: In order to sole the problem such as low classification accuracy in current classification methods, im-
age classification technology based on genetic algorithm and relevance vector machine is presented in the paper. Ge.
netic algorithm is applied to select the parameters of relevance vector machine. Firstly, principal components analysis
(PCA ) is used o extract image eature enly, the parameters of relevance vector machine is obtained by the e
netic algorithm and training data. Finally, the images in Corel image database are used to testify the classification
e formance of he proposed method. The testing results show that the classification accuracies of G-RVM are bette
an those of nt class on mtds Terefore, G-R M is ery sui able for mage classification
KEYWORDS: Image classif on; Relevanee vector machine(RVM Principal components analysis(PCA);Cla-
sification accuracy
1引言
权的函数来进行分类,它通过设定权重满足均值为零、方差
近年来,多种分类技术用于图像分类领域,如人工神经不同的高斯概率分布,能在概率意义下进行合理划分,使得
网络、支持向量机等?,人工神经网络能够解决非线性分类分类函数针对于训练集似然函数值最大。此外,在相关向量
问题,然而这种方法具有过拟合、收敛速度慢、容易陷人局部机分类器中只需要确定核函数的核参数,相比支持向量机,
极值等缺陷,影响了其分类精度,对此,有学者采用支持需要确定的参数更少。因此,本文提出基于遗传相关向量机
向量机替代人工神经网络,成为图像分类的新方法。支持向的图像分类方法,其中应用遗传算法对相关向量机中核函数
量机( Support Vector Machine,SVM)基于统计学习理论,具的核参数进行优化。采用 Corel I图像数据库中的图像作为本
有非常好的泛化能力,能较好地解决小样本、非线性、高维等文的实验数据,遗传支持向量机、普通支持向量机以及BP神
问题9,?。但是在实际应用中支持向量机的惩罚参数和核经网络用于与本文方法进行对比以测试本文方法的优越性
参数必须人为确定,此外支持向量机的核函数必须符合Mer和有效性。实验结果表明遗传相关向量机的图像分类方法
cer条件,如此,很难选取较好的支持向量机分类模型。
比现有的图像分类方法有着更高的分类精度。
相关向量机(RVM)分类器采用一个核函数线性组合加
遗传相关向量机理论
收稿日期:2010-06-12
2.1相关向量机分类器
283
万方数据