SVR的魯棒性及其在圖像恢復(fù)中的應(yīng)用研究.pdf

1、支持向量機(jī)SVM是實現(xiàn)統(tǒng)計學(xué)習(xí)理論的通用學(xué)習(xí)方法，其優(yōu)異的泛化性能使得支持向量機(jī)在模式識別、回歸分析和預(yù)測、密度估計等領(lǐng)域都得到了實際應(yīng)用。當(dāng)SVM用于回歸分析和預(yù)測時，通常稱其為支持向量回歸機(jī)SVR。在回歸分析中，樣本數(shù)據(jù)通常含有噪聲。如何選擇合適的參數(shù)使得支持向量回歸機(jī)SVR更具魯棒性，從而對樣本數(shù)據(jù)噪聲產(chǎn)生盡可能強(qiáng)的抑制能力，是一個有著重要的理論價值和應(yīng)用價值的課題。本文的主要目的就是研究常見的兩種SVR的參數(shù)與輸入樣本數(shù)據(jù)的噪聲

2、間的關(guān)系，從而為魯棒的SVR的參數(shù)選擇提供理論依據(jù)。 首先研究了SVR的魯棒性的問題，即著重研究了當(dāng)輸入樣本噪聲為高斯模型時，Huber-SVR和r范數(shù)-SVR的參數(shù)選擇問題，并在貝葉斯框架下推導(dǎo)出了以下結(jié)論：當(dāng)SVR的魯棒性最佳時，Huber-SVR中的參數(shù)μ與輸入高斯噪聲的標(biāo)準(zhǔn)差σ間呈近似線性關(guān)系；r范數(shù)-SVR的參數(shù)r與輸入高斯噪聲的標(biāo)準(zhǔn)差σ間呈近似線性反比關(guān)系。這兩個結(jié)論亦得到了實驗的證實。 還以圖像恢復(fù)為應(yīng)用背