基于壓力傳感器的乘員體征識(shí)別

1、基于壓力傳感器的乘員體征識(shí)別Occupant Type Identification Based on Presssure Sensors摘 要 車(chē)輛乘員類(lèi)型等體征信息的準(zhǔn)確識(shí)別是智能安全氣囊系統(tǒng)實(shí)現(xiàn)的前提條件之一，其識(shí)別算法的實(shí)時(shí)性和準(zhǔn)確性對(duì)于在碰撞發(fā)生時(shí)安全氣囊的起爆時(shí)間和充氣強(qiáng)度的控制起著決定性作用。 目前國(guó)內(nèi)外研究大多是采用布置在坐椅上的壓力傳感器檢測(cè)乘員體重，并以此進(jìn)行不同體型的乘員類(lèi)型分類(lèi)；利用超聲波雷達(dá)或計(jì)算機(jī)視覺(jué)技術(shù)檢測(cè)乘員與儀表板之間的距離，并以此進(jìn)行正常或危險(xiǎn)坐姿的分類(lèi)。 本文通過(guò)對(duì)不同類(lèi)型乘員在不同坐姿下的體壓分布信息的精確分析，提出了單純依靠壓力分布傳感器，基于乘員類(lèi)型

2、及坐姿導(dǎo)致的體壓動(dòng)態(tài)變化信息進(jìn)行乘員類(lèi)型識(shí)別的乘員體征識(shí)別算法.首先針對(duì)乘員體壓分布的特點(diǎn)，建立了依據(jù)體壓敏感點(diǎn)分析的識(shí)別特征；其次，依據(jù)體壓敏感點(diǎn)特征分析，提取了基于體壓分布信息的不同類(lèi)型及坐姿下乘員的主特征描述；最后，利用支持向量機(jī)的自學(xué)習(xí)功能，通過(guò)對(duì)試驗(yàn)采集到的大量的不同體征乘員特征樣本的學(xué)習(xí)，建立了基于支持向量機(jī)的乘員類(lèi)型模式分類(lèi)器，實(shí)現(xiàn)了對(duì)不同類(lèi)型乘員的有效識(shí)別，從而為后續(xù)的智能安全氣囊的開(kāi)發(fā)探索了一條現(xiàn)實(shí)可行且成本低廉的乘員類(lèi)型的識(shí)別方法。關(guān)鍵詞：乘員體征信息;智能安全氣囊;體壓分布;乘員類(lèi)型;支持向量機(jī) ABSTRACT Vehicle occupant types positi

3、on information accurately identify such signs is intelligence airbag system to realize one of the premise condition, the recognition algorithm for real-time and accuracy in the collision occurred airbag detonator time and inflatable intensity control decisive. Both at home and abroad, mostly in rese

4、arch by arrangement of pressure sensor detection chair, and based on which the crew weight of different type crew type classification; Using ultrasonic detecting radar or computer vision technology with the distance between the crew dashboard, and based on which the normal or dangerous posture class

5、ification.Based on the research with faw technology center project of different types, through the crew in different posture body pressure distribution of accurate information are analyzed, and the only depend upon the pressure distribution, based on the occupant type and sensor to sitting body pres

6、sure dynamic change information the crew types and posture identification signs recognition algorithms, first crew for occupant body pressure distribution characteristic, establishes the body pressure sensitive analysis based on recognition characteristic; Secondly, based on analysis of characterist

7、ics of the body pressure sensitive, extraction based on body pressure distribution in different types of information and under the Lord sitting description; crew Finally, using support vector machine (SVM), through the self-learning function to test the collected a lot of different signs of learning

8、, crew features samples based on support vector machine (SVM) was established the occupant type and posture mode classifier, realize the different types and sitting position, and the effective recognition crew for the subsequent development of the intelligent airbag exploring a realistic and low-cos

9、t occupant type and posture recognition method.Key Words: Occupant Signs Information;Intelligent Airbags;Body Pressure Distribution ; Occupant Type ; Support Vector Machine目 錄 1 緒 論11.1 乘員體征識(shí)別技術(shù)的背景11.2 乘員體征識(shí)別技術(shù)的研究現(xiàn)狀和未來(lái)的發(fā)展11.2.1 乘員體征識(shí)別技術(shù)的研究現(xiàn)狀11.2.2 乘員體征識(shí)別技術(shù)的發(fā)展41.3 乘員體征識(shí)別技術(shù)的研究目的51.4 本文的主要研究?jī)?nèi)容52 乘員體征識(shí)別

10、技術(shù)的理論基礎(chǔ)和支持向量機(jī)方法62.1 乘員體征檢測(cè)技術(shù)的理論基礎(chǔ)-模式識(shí)別方法62.1.1 模式識(shí)別方法概述62.1.2 模式識(shí)別的主要方法72.2 適應(yīng)于小樣本的支持向量機(jī)方法82.2.1 采用支持向量機(jī)方法的技術(shù)優(yōu)勢(shì)82.2.2 支持向量機(jī)算法簡(jiǎn)述82.2.3 最優(yōu)分類(lèi)超平面92.2.4 核函數(shù)的概念及支持向量機(jī)模型123 基于體壓分布的乘員體征識(shí)別算法133.1 總體技術(shù)路線133.2 乘員測(cè)量空間的生成143.3 乘員特征空間的提取163.4 乘員類(lèi)型空間的劃分184 乘員體征識(shí)別系統(tǒng)的驗(yàn)證234.1 測(cè)試樣本的生成234.1.1 試驗(yàn)乘員樣本選擇244.1.2 體壓分布數(shù)據(jù)采集試驗(yàn)

11、方法254.2 體壓分布數(shù)據(jù)的處理254.3 乘員體征主特征的提取264.4 乘員類(lèi)型識(shí)別結(jié)果28結(jié) 論30參考文獻(xiàn)32致 謝341 緒 論1.1 乘員體征識(shí)別技術(shù)的背景 伴隨著中國(guó)經(jīng)濟(jì)的飛速發(fā)展，汽車(chē)在我們的生活中扮演著越來(lái)越重要的角色，伴隨而來(lái)的交通事故和各種駕駛職業(yè)病也在逐年增加，侵害著我們的健康和生命，造成這種現(xiàn)象的主要原因是智能安全氣囊對(duì)車(chē)輛乘員類(lèi)型等體征信息是否能夠準(zhǔn)確的識(shí)別，找到解決此問(wèn)題的方法不僅可以減少交通事故，也能對(duì)駕駛員進(jìn)行保護(hù)并盡量避免職業(yè)病的發(fā)生1。車(chē)輛乘員類(lèi)型等體征信息的準(zhǔn)確識(shí)別是智能安全氣囊系統(tǒng)實(shí)現(xiàn)的前提條件之一，其識(shí)別算法的實(shí)時(shí)性和準(zhǔn)確性對(duì)于在碰撞發(fā)生時(shí)安全氣囊

12、的起爆時(shí)間和充氣強(qiáng)度的控制起著決定性作用2。就機(jī)動(dòng)車(chē)輛而言，車(chē)輛駕駛是一種將人與機(jī)械、環(huán)境結(jié)合在一起的人機(jī)環(huán)境系統(tǒng)，如果乘員信息識(shí)別不夠準(zhǔn)確，容易讓駕駛員感到不舒適與產(chǎn)生疲勞，在生理上容易造成腰椎的負(fù)荷、四肢酸痛與不舒適，更嚴(yán)重的還會(huì)影響到駕駛員的駕駛控制性。因此本文主要基于壓力傳感器的基礎(chǔ)上，構(gòu)建了對(duì)汽車(chē)乘員體征的動(dòng)態(tài)監(jiān)測(cè)系統(tǒng)，對(duì)各個(gè)座位測(cè)試點(diǎn)應(yīng)力進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。1.2 乘員體征識(shí)別技術(shù)的研究現(xiàn)狀和未來(lái)的發(fā)展1.2.1 乘員體征識(shí)別技術(shù)的研究現(xiàn)狀 目前國(guó)內(nèi)絕大多數(shù)體征識(shí)別系統(tǒng)研究都是以識(shí)別乘員類(lèi)型和坐姿為目標(biāo)。主要運(yùn)用電場(chǎng)感應(yīng)壓力及重量測(cè)量超聲波紅外光束雷達(dá)以及視覺(jué)測(cè)量等技術(shù)手段3。 豐田

13、汽車(chē)公司使用安裝在座椅四個(gè)角的壓力傳感器測(cè)量乘員的重量，然后根據(jù)重量對(duì)乘員進(jìn)行閾值分類(lèi),因此這也是使用最廣泛的一種方法。圖1.1為豐田公司座椅重量傳感器安裝示意圖。西門(mén)子VDOAutomotive公司采用攝像機(jī)判斷乘員坐姿以及通過(guò)座椅中的重量傳感器識(shí)別坐在車(chē)內(nèi)各座椅上的乘員的類(lèi)型。在汽車(chē)發(fā)生碰撞事故時(shí)，如果乘員既重又高大，那么氣囊將以全力迅速展開(kāi)，如果乘員相對(duì)比較輕，氣囊將以比較小的力度彈開(kāi)，如果乘員坐在座椅上的坐姿不正確，氣囊將適當(dāng)?shù)难舆t觸發(fā)，以免傷害乘員4。圖1.2 西門(mén)子VDO公司乘員體征識(shí)別系統(tǒng)。英國(guó)捷豹公司2001年在XK系列各車(chē)型上采用了自適應(yīng)約束系統(tǒng)（ARTS）。該系統(tǒng)利用超聲波

14、感測(cè)技術(shù)監(jiān)視前排乘員的坐姿,同時(shí)還采用一系列其它傳感器探測(cè)乘員的重量、駕駛員相對(duì)轉(zhuǎn)向盤(pán)的位置，安全帶是否系好以及發(fā)生碰撞時(shí)的強(qiáng)度等。掌握了這些探測(cè)到的信息，ARTS就可以根據(jù)每個(gè)前排乘員的具體需要，利用控制算法的靈活性，確定安全氣囊的觸發(fā)時(shí)刻和展開(kāi)強(qiáng)度，實(shí)現(xiàn)最佳的乘員保護(hù)4。圖1.3為捷豹公司在XK車(chē)上的自動(dòng)適應(yīng)約束系統(tǒng)。德?tīng)柛９鹃_(kāi)發(fā)出一種能夠檢測(cè)重量的液囊袋，利用測(cè)量不同液囊袋的壓力值，分析乘員類(lèi)型信息，同時(shí)也開(kāi)發(fā)出基于視覺(jué)檢測(cè)的坐姿識(shí)別系統(tǒng)，當(dāng)乘員被識(shí)別為頭部處于危險(xiǎn)區(qū)域時(shí)，系統(tǒng)將會(huì)發(fā)出安全氣囊彈開(kāi)抑制指令，從而防止安全氣囊導(dǎo)致的傷害。圖1.4左側(cè)為德?tīng)柛９疽耗掖阶蝹鞲衅鲌D，右側(cè)為

15、基于圖像檢測(cè)的乘員坐姿識(shí)別系統(tǒng)圖。 圖1.1為豐田公司座椅重量傳感器 圖1.2 西門(mén)子VDO公司乘員體征識(shí)別系統(tǒng) 圖1.3 捷豹公司在XK車(chē)上的自動(dòng)適應(yīng)約束系統(tǒng) 圖1.4 德?tīng)柛９疽耗掖阶蝹鞲衅鲌D及基于圖像的乘員體征識(shí)別系統(tǒng) 我國(guó)國(guó)內(nèi)的汽車(chē)整車(chē)及零部件廠商主要從事傳統(tǒng)安全氣囊系統(tǒng)的生產(chǎn)，智能安全氣囊系統(tǒng)的研發(fā)和生產(chǎn)幾乎為空白。近年來(lái)，國(guó)內(nèi)高校及科研院校初步開(kāi)展了一些汽車(chē)智能安全氣囊系統(tǒng)及其乘員體征識(shí)別算法的研究。清華大學(xué)尹武良等提出了基于電容傳感器的乘員感應(yīng)裝置，這個(gè)裝置能夠探測(cè)乘員是否存在，而且能夠區(qū)分座椅上是人體還是物品6。江蘇大學(xué)毛務(wù)本等開(kāi)展了基于座椅傳感器的乘員識(shí)別系統(tǒng)研究。提出

16、的基于形態(tài)分析的座椅乘員識(shí)別系統(tǒng)，該系統(tǒng)具有實(shí)時(shí)識(shí)別功能，能識(shí)別出座椅上的占有物是成人還是兒童，或是一般物體。系統(tǒng)還能給出乘員的重心位置。利用該系統(tǒng)的輸出信息即可控制安全氣囊的安全釋放，防止乘員的意外傷亡7。本文所做的課題提出了基于膜片式壓力傳感器的基礎(chǔ)上，通過(guò)對(duì)不同體征特點(diǎn)的乘員體壓分布信息的精確分析，探索一條新的依靠體壓信息識(shí)別技術(shù)的乘員類(lèi)型的模式識(shí)別方法，實(shí)現(xiàn)對(duì)不同乘員類(lèi)型的有效識(shí)別，從而為后續(xù)的智能安全氣囊系統(tǒng)的開(kāi)發(fā)提供一種現(xiàn)實(shí)可行且成本低廉的乘員體征識(shí)別算法。1.2.2 乘員體征識(shí)別技術(shù)的發(fā)展包括乘員類(lèi)型識(shí)別和乘員坐姿識(shí)別的乘員體征識(shí)別是智能安全氣囊開(kāi)發(fā)中的重點(diǎn)。乘員體征識(shí)別是一個(gè)比

17、較復(fù)雜的過(guò)程，傳感器需要探測(cè)車(chē)內(nèi)特定范圍內(nèi)的三維空間狀態(tài)、座椅承載乘員的類(lèi)型、其頭部和四肢在什么位置。目前絕大多數(shù)體征識(shí)別系統(tǒng)研究都是以識(shí)別乘員類(lèi)型和坐姿為目標(biāo)。主要運(yùn)用電場(chǎng)感應(yīng)壓力及重量測(cè)量超聲波紅外光束雷達(dá)以及視覺(jué)測(cè)量等技術(shù)手段3。 目前已經(jīng)開(kāi)發(fā)出并已上市的智能安全氣囊系統(tǒng)主要有體重分類(lèi)法、視覺(jué)識(shí)別法、電場(chǎng)感應(yīng)法、超聲波探測(cè)法四種乘員體征識(shí)別方法。其中被廣泛應(yīng)用的是體重分類(lèi)法7,8。體重分類(lèi)法的重量分類(lèi)系統(tǒng)由模數(shù)轉(zhuǎn)換電路，微型處理器，及相關(guān)的接口電路組成。模數(shù)轉(zhuǎn)換電路將壓力傳感器輸出的模擬信號(hào)轉(zhuǎn)化為數(shù)字量，輸入微型處理器中。在微型處理其中將計(jì)算乘員重量，并對(duì)重量進(jìn)行閾值判斷，將判斷結(jié)果輸出

18、。 三菱汽車(chē)公司開(kāi)發(fā)了一套乘員類(lèi)型識(shí)別系統(tǒng)，其傳感器具體布置圖見(jiàn)圖1.5。該系統(tǒng)將乘員類(lèi)型分為3類(lèi)，見(jiàn)表1.1。首先系統(tǒng)檢測(cè)重量傳感器壓力值，如果壓力值等于座椅為空時(shí)的重量時(shí)，系統(tǒng)將乘員類(lèi)型判斷為類(lèi)型0，發(fā)生碰撞時(shí)氣囊不會(huì)彈開(kāi)。如果不相等，然后計(jì)算乘員體重，當(dāng)體重小于25.6kg時(shí)，系統(tǒng)將乘員類(lèi)型判斷為類(lèi)型1即為兒童，發(fā)生碰撞時(shí)氣囊不會(huì)彈開(kāi)。如果體重屬于25.646.7kg范圍內(nèi)，系統(tǒng)將乘員類(lèi)型判斷為類(lèi)型2即為10至18 歲的未成年人，發(fā)生碰撞時(shí)氣囊不會(huì)彈開(kāi)。如果體重大于46.7kg時(shí)，系統(tǒng)將乘員類(lèi)型判斷為類(lèi)型3，發(fā)生碰撞時(shí)氣囊才允許彈開(kāi)。圖1.5 重量傳感器安裝結(jié)構(gòu)示意圖。 座椅支撐力 座椅

19、支撐梁 傳感器支架 支撐盤(pán) 輸出信號(hào)線彈性體 螺栓 應(yīng)變片 隔離板 表1.1 三菱汽車(chē)公司重量檢測(cè)系統(tǒng)乘員分類(lèi)表類(lèi) 型 乘 員重量（Kg）安全氣囊狀態(tài)0 空 座5禁止彈開(kāi)1 兒童座椅或嬰兒或 1、3、6歲大的兒童8.025.6禁止彈開(kāi)2 10至18歲的未成年人25.646.7禁止彈開(kāi)3 成 人46.7允許彈開(kāi)1.3 乘員體征識(shí)別技術(shù)的研究目的本文旨在通過(guò)座椅上的壓力傳感器，對(duì)不同體征特點(diǎn)的乘員體壓分布信息的精確分析，探索一條新的依靠體壓信息識(shí)別技術(shù)的乘員類(lèi)型的模式識(shí)別方法，實(shí)現(xiàn)對(duì)不同乘員類(lèi)型的有效識(shí)別，從而為后續(xù)的智能安全氣囊系統(tǒng)的開(kāi)發(fā)提供一種現(xiàn)實(shí)可行且成本低廉的乘員體征識(shí)別算法2。1.4 本

20、文的主要研究?jī)?nèi)容 本文的主要研究?jī)?nèi)容基于體壓分布的乘員體征信息檢測(cè)。 所謂的乘員體壓分布是指人體的質(zhì)量在靠背和坐墊上的壓力分布。根據(jù)人機(jī)工程學(xué)的研究，最舒適的坐姿分布應(yīng)保證:人體的大部分質(zhì)量應(yīng)以較大的支承面積，較小的單位壓力合理地分布到坐墊和靠背上，壓力分布應(yīng)從小到大平滑地過(guò)渡，避免突然變化。為保證座椅乘坐的舒適性，測(cè)量乘員的體壓分布并分析座椅乘坐的舒適性成為座椅設(shè)計(jì)及檢驗(yàn)的重要內(nèi)容9,10。整個(gè)算法的試驗(yàn)驗(yàn)證是基于已經(jīng)開(kāi)發(fā)的LabView軟件的乘員體壓信息的識(shí)別軟件上進(jìn)行的。需要特別指出的是：本文在進(jìn)行試驗(yàn)測(cè)試樣本采集時(shí)，都是直接采用了Tekscan公司的高密度體壓分布測(cè)量系統(tǒng)來(lái)獲取不同體征

21、高維體壓分布的樣本數(shù)據(jù)庫(kù)，并通過(guò)分析這些樣本，找到體壓分布敏感點(diǎn)位置，將這些壓力敏感點(diǎn)位置處的壓力值作為模式識(shí)別特征。測(cè)試樣本也是利用該裝置獲得，用以模擬使用低密度壓力傳感器實(shí)現(xiàn)對(duì)乘員體征識(shí)別的情況。 2 乘員體征識(shí)別技術(shù)的理論基礎(chǔ)和支持向量機(jī)方法 2.1 乘員體征檢測(cè)技術(shù)的理論基礎(chǔ)-模式識(shí)別方法 所謂的乘員體征信息包括乘員的類(lèi)型信息和乘員的坐姿信息。本文采用的技術(shù)路線是體壓分布檢測(cè)和支持向量機(jī)分類(lèi)的方法11,12。 由于不同類(lèi)型及坐姿的乘員體壓分布有明顯不同，本文嘗試通過(guò)分析體壓分布的特點(diǎn)，提取出體壓分布特征，并通過(guò)智能模式識(shí)別的方法對(duì)這些特征進(jìn)行分類(lèi)識(shí)別，從而找到一條全新的單純基于體壓分布

22、來(lái)實(shí)現(xiàn)乘員類(lèi)型識(shí)別的算法。 乘員體征復(fù)雜多樣，試驗(yàn)樣本少，映射關(guān)系高度非線性，為此在識(shí)別方法上需盡可能選擇具有能解決小樣本學(xué)習(xí)，非線性分類(lèi)及具有優(yōu)秀泛化能力的模式識(shí)別算法13，并建立分類(lèi)識(shí)別器。本文選擇具有優(yōu)秀的泛化能力及解算高維向量的能力的支持向量機(jī)算法作為本文的識(shí)別算法，并通過(guò)使用不同體征特征樣本對(duì)支持向量機(jī)進(jìn)行訓(xùn)練及檢驗(yàn)，建立乘員體征識(shí)別器。 計(jì)算機(jī)模式識(shí)別是20世紀(jì)60年代初迅速發(fā)展起來(lái)的一門(mén)新興學(xué)科。模式識(shí)別是通過(guò)計(jì)算機(jī)對(duì)輸入數(shù)據(jù)進(jìn)行分類(lèi)的一項(xiàng)技術(shù)，在很多領(lǐng)域得到了成功的應(yīng)用，例如自動(dòng)視覺(jué)檢驗(yàn)、故障檢出和分析、醫(yī)學(xué)數(shù)據(jù)分析、文字識(shí)別、語(yǔ)言識(shí)別等。 模式識(shí)別是指對(duì)表征事物或現(xiàn)象的各種形

23、式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進(jìn)行處理和分析,以對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類(lèi)和解釋的過(guò)程,是信息科學(xué)和人工智能的重要組成部分13。 模式還可分成抽象的和具體的兩種形式。前者如意識(shí)、思想、議論等,屬于概念識(shí)別研究的范疇,是人工智能的另一研究分支。本文所指的模式識(shí)別主要是對(duì)語(yǔ)音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號(hào)、生物的傳感器等對(duì)象進(jìn)行測(cè)量的具體模式進(jìn)行分類(lèi)和辨識(shí)。2.1.1 模式識(shí)別方法概述 乘員體征檢測(cè)技術(shù)的理論基礎(chǔ)是模式識(shí)別方法，而模式識(shí)別的整個(gè)過(guò)程實(shí)質(zhì)上是實(shí)現(xiàn)如圖2.2所示的由數(shù)據(jù)空間經(jīng)特征空間到類(lèi)別空間的映射。模式識(shí)別大致包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取和選

24、擇模式分類(lèi)4個(gè)環(huán)節(jié)14。圖2.2所示。分類(lèi)特征提取及選擇預(yù)處理信息獲取 圖2.2 模式識(shí)別任務(wù)實(shí)現(xiàn)過(guò)程 具體過(guò)程如下： 1.信息獲取：通過(guò)傳感器獲取信號(hào)或圖像信息，完成原始數(shù)據(jù)采集（用模式表示輸入數(shù)據(jù)）。 2.預(yù)處理：通常是將感興趣的特征從背景中分離出來(lái)，去除噪聲，并進(jìn)行歸一化處理。 3.特征提?。赫业胶线m的特征來(lái)表示輸入模式。 4.模式分類(lèi)：選擇恰當(dāng)?shù)哪Ｊ阶R(shí)別方法進(jìn)行分類(lèi)。 識(shí)別結(jié)果模式分類(lèi)未知模式特征選擇和特征提取數(shù)據(jù)預(yù)處理未知模式的特征數(shù)據(jù)采集識(shí)別 訓(xùn)練訓(xùn)練模式樣本特征數(shù)據(jù)輸入數(shù)據(jù)預(yù)處理未知模式特征選擇和特征提取制定分類(lèi)判決規(guī)則正確率檢測(cè) 改進(jìn)判決規(guī)則未知模式特征選擇和特征提取 圖2.3

25、 模式識(shí)別系統(tǒng)組成 圖2.3為模式識(shí)別系統(tǒng)組成示意圖，整個(gè)系統(tǒng)由學(xué)習(xí)模塊和訓(xùn)練模塊組成。從圖中可以看到，數(shù)據(jù)預(yù)處理存在于兩個(gè)模塊中，包括去除噪聲數(shù)據(jù)的影響、把感興趣的模式從復(fù)雜背景中提取出來(lái)、對(duì)模式數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化等。另外，圖中有一個(gè)反饋過(guò)程，即將已識(shí)別完的分類(lèi)結(jié)果和類(lèi)別的模式作對(duì)比，根據(jù)錯(cuò)誤率識(shí)別結(jié)果，不斷改進(jìn)判決規(guī)則和特征選擇及特征提取方法，制定使錯(cuò)誤率最小的特征選擇和特征提取策略，即再學(xué)習(xí)過(guò)程15。2.1.2 模式識(shí)別的主要方法 模式識(shí)別方法分為監(jiān)督學(xué)習(xí)方法和非監(jiān)督學(xué)習(xí)方法。監(jiān)督學(xué)習(xí)方法是指在已知訓(xùn)練樣本所屬類(lèi)別的前提下進(jìn)行分類(lèi)；非監(jiān)督學(xué)習(xí)方法是指在沒(méi)有任何樣本所屬類(lèi)別信息情況下直接根據(jù)某

26、種規(guī)則進(jìn)行分類(lèi)。模式識(shí)別方法主要有統(tǒng)計(jì)模式識(shí)別、數(shù)據(jù)聚類(lèi)、模糊模式識(shí)別、神經(jīng)網(wǎng)絡(luò)模式識(shí)別、結(jié)構(gòu)模式識(shí)別和支持向量機(jī)模式分類(lèi)六種研究方法。接下來(lái)主要介紹支持向量機(jī)模式識(shí)別方法。2.2 適應(yīng)于小樣本的支持向量機(jī)方法 支持向量機(jī)（SVM，Support Vector Machine）簡(jiǎn)稱SVM，是Vapnik等根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的16,17。支持向量機(jī)能夠在核特征空間中有效地訓(xùn)練線性學(xué)習(xí)器，也是運(yùn)用最優(yōu)理論的學(xué)習(xí)算法訓(xùn)練，該算法根據(jù)泛化性理論強(qiáng)化學(xué)習(xí)偏置，能夠保證找到的極值解就是全局最優(yōu)解。支持向量機(jī)是統(tǒng)計(jì)學(xué)習(xí)理論中年輕的內(nèi)容，也是最實(shí)用的部分，目前該方法仍處在不斷發(fā)展之中。

27、在支持向量機(jī)提出后的若干年來(lái)，在廣泛的應(yīng)用中，SVM表現(xiàn)出比其他機(jī)器學(xué)習(xí)方法更加優(yōu)秀的性能18,19。2.2.1 采用支持向量機(jī)方法的技術(shù)優(yōu)勢(shì) 相對(duì)于乘員體征的千差萬(wàn)別，通過(guò)采集不同體征的乘員體壓分布數(shù)據(jù)很難獲得傳統(tǒng)模式識(shí)別所需的特征大樣本數(shù)據(jù)庫(kù)。乘員體征與乘員體壓分布之間存在著高度非線性的映射關(guān)系，同時(shí)實(shí)際測(cè)量的體壓分布數(shù)據(jù)容易受到各種外界因素的干擾，如乘員后兜被放入一個(gè)手機(jī)，將會(huì)對(duì)體壓分布產(chǎn)生很大影響。智能安全氣囊控制需要對(duì)于乘員體征的識(shí)別快速準(zhǔn)確。因此需要一種具有較強(qiáng)泛化能力，適用于小樣本學(xué)習(xí)，能解決非線性處理，并且有快速準(zhǔn)確計(jì)算能力的算法。支持向量機(jī)（SVM）是新近提出的一種模式識(shí)別算

28、法，它不僅適用于小樣本訓(xùn)練的情況，具有較強(qiáng)的泛化及推廣能力，而且具有強(qiáng)大的數(shù)據(jù)處理能力，對(duì)高維樣本的處理復(fù)雜度與對(duì)低維樣本近似，并能巧妙地引入核函數(shù)來(lái)實(shí)現(xiàn)非線性映射，從而完成非線性處理。 支持向量機(jī)是基于VC（Vapnik-Chervonenkis）理論，是結(jié)構(gòu)風(fēng)險(xiǎn)最小化SRM（Structural Risk Minimization）原理的近似實(shí)現(xiàn)，具有較強(qiáng)的理論依據(jù)19。它兼顧訓(xùn)練錯(cuò)誤和泛化性能，開(kāi)辟了學(xué)習(xí)高維數(shù)據(jù)的新天地，是一種新的非常有潛力的分類(lèi)技術(shù)，特別對(duì)線性可分問(wèn)題，支持向量機(jī)的分類(lèi)結(jié)果與理想情況完全吻合。這種新的學(xué)習(xí)算法可以替代多層感知機(jī)、徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)和多項(xiàng)式神經(jīng)

29、網(wǎng)絡(luò)等已有的學(xué)習(xí)算法，解決了利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)器設(shè)計(jì)時(shí)遇到的難以確定網(wǎng)絡(luò)結(jié)構(gòu)問(wèn)題、過(guò)學(xué)習(xí)與欠學(xué)習(xí)問(wèn)題、局部極小點(diǎn)問(wèn)題等20。 本文把支持向量機(jī)引入到乘員體征識(shí)別的研究中，建立了基于SVM的乘員體征識(shí)別模型，并進(jìn)行了檢驗(yàn)試驗(yàn)，最后給出了檢驗(yàn)結(jié)果評(píng)價(jià)。2.2.2 支持向量機(jī)算法簡(jiǎn)述 支持向量機(jī)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來(lái)的新一代的學(xué)習(xí)算法，由于優(yōu)秀的學(xué)習(xí)能力尤其是泛化能力，該算法成為智能模式識(shí)別領(lǐng)域的研究熱點(diǎn)，并成功運(yùn)用于諸多實(shí)際應(yīng)用領(lǐng)域，如人臉檢測(cè)、手寫(xiě)數(shù)字識(shí)別、文本自動(dòng)分類(lèi)、機(jī)器翻譯等11。 學(xué)習(xí)是一切智能系統(tǒng)最根本的特征，機(jī)器學(xué)習(xí)是人工智能最具智能特征、最前沿的研究領(lǐng)域之一?；跇?/p>

30、本的機(jī)器學(xué)習(xí)問(wèn)題是現(xiàn)代智能算法技術(shù)的一個(gè)重要分支，它模擬了人類(lèi)從實(shí)例中學(xué)習(xí)歸納的能力，主要研究如何從一些觀測(cè)數(shù)據(jù)（樣本）中挖掘出目前尚不能通過(guò)理論分析得到的規(guī)律，并利用這些規(guī)律去分析客觀對(duì)象，對(duì)未知數(shù)據(jù)或無(wú)法觀測(cè)的新現(xiàn)象進(jìn)行預(yù)測(cè)和判斷19。 統(tǒng)計(jì)模式識(shí)別是基于樣本的機(jī)器學(xué)習(xí)中最為廣泛最為深入的一種模式識(shí)別方法。其重要理論基礎(chǔ)之一是統(tǒng)計(jì)學(xué)，傳統(tǒng)統(tǒng)計(jì)學(xué)研究的是樣本數(shù)目趨于無(wú)窮大時(shí)的漸近理論，而在實(shí)際問(wèn)題中，樣本數(shù)往往是有限的，因此一些理論上很完美的學(xué)習(xí)算法實(shí)際中表現(xiàn)不佳13。前蘇聯(lián)烏茲別克科學(xué)家Vapnik等人早在20世紀(jì)60年代就開(kāi)始研究有限樣本情況下的機(jī)器學(xué)習(xí)問(wèn)題，但這些研究長(zhǎng)期被忽視。冷戰(zhàn)后

31、，隨著東西方學(xué)術(shù)界的交流以及信息技術(shù)的發(fā)展，這一方法逐漸被西方科學(xué)界認(rèn)識(shí)，有限樣本情況下的機(jī)器學(xué)習(xí)理論也逐漸完善起來(lái)，形成了一個(gè)較系統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)理(Statistical Leaming Theory或SLT)體系16。上世紀(jì)90年代中期，Vapnik和他的At&T Bell實(shí)驗(yàn)室小組在SL的基礎(chǔ)上提出了SVM算法，在解決小樣本、非線性、局部最小及高維模式識(shí)別問(wèn)題中取得很好的效果17。2.2.3 最優(yōu)分類(lèi)超平面 支持向量機(jī)的研究最初針對(duì)模式識(shí)別中的兩類(lèi)線性可分問(wèn)題。分割線（平面）1和分割線（平面2）都能正確地將兩類(lèi)樣本分開(kāi)，即都能夠保證使經(jīng)驗(yàn)風(fēng)險(xiǎn)最?。?），這樣的分類(lèi)線（平面）有無(wú)限多個(gè)，但

32、分割線（平面）1離兩類(lèi)樣本的間隙最大，稱之為最優(yōu)分類(lèi)平面。最優(yōu)分類(lèi)線（平面）的置信范圍最小。圖2.4最優(yōu)分類(lèi)平面示意圖. 推廣到高維空間，假設(shè)訓(xùn)練數(shù)據(jù) (2-1) 可以被一個(gè)超平面 (2-2)分開(kāi)，如果這個(gè)向量被超平面沒(méi)有錯(cuò)誤地分開(kāi)，并且離超平面最近的向量與超平面之間的距離是最大的，則這個(gè)超平面為最優(yōu)超平面。 分割線1 分割線2 圖2.4 最優(yōu)分類(lèi)平面示意圖為了表示這個(gè)分類(lèi)超平面，使用以下的形式表達(dá)： (2-3) 容易驗(yàn)證，最優(yōu)超平面就是滿足條件式（2-3）并且使得 (2-4） 最小，為此，可以定義如下的Lagrange函數(shù)： (2-5)其中，0為L(zhǎng)agrange系數(shù)，我們的問(wèn)題是對(duì)和b求La

33、grange函數(shù)的最小值。把式（2-5）分別對(duì)、b、求偏微分并令它們等于0，得： (2-6) (2-7) (2-8)以上三式加上原約束條件以及kuhnTucker條件可以把原問(wèn)題轉(zhuǎn)化為如下對(duì)偶問(wèn)題： (2-9)文獻(xiàn)21提供了解決該問(wèn)題的特殊方法21。這是一個(gè)不等式約束下二次數(shù)機(jī)制問(wèn)題，存在唯一最優(yōu)解。若 為最優(yōu)解，則 (2-10) 不為零的樣本即為支持向量，因此，最優(yōu)分類(lèi)面的權(quán)系數(shù)向量是支持向量的線性組合。 可由約束條件求解，由此求得的最優(yōu)分類(lèi)函數(shù)是: (2-11) sgn()為符號(hào)函數(shù)。 （0）是Lagrange系數(shù)，是域值。 如果數(shù)據(jù)線性不可分需要引入一個(gè)非負(fù)的松弛變量（0)將約束條件變?yōu)?/p>

34、： (2-12) 將目標(biāo)函數(shù)改為最小化： (2-13)此時(shí)的最優(yōu)分類(lèi)超平面被稱為廣義最優(yōu)分類(lèi)超面，其求解過(guò)程與線性可分情況下幾乎相同，只是對(duì)拉格朗日系數(shù) 的取值范圍變?yōu)?0C,i=1,2,n 其中C是一個(gè)給定的值，它控制對(duì)錯(cuò)分樣本懲罰的程度，實(shí)現(xiàn)在錯(cuò)分樣本的比例和算法復(fù)雜度之間的折中。2.2.4 核函數(shù)的概念及支持向量機(jī)模型 通過(guò)非線性映射&將輸入空間變換到一個(gè)高維空間D，然后在這個(gè)新空間中求取最優(yōu)線性分類(lèi)面，而這種非線性變換是通過(guò)定義適當(dāng)?shù)暮撕瘮?shù)（內(nèi)積函數(shù)）實(shí)現(xiàn)的，令： (2-14)用核函數(shù)代替最優(yōu)分類(lèi)平面中的點(diǎn)積,就相當(dāng)于把原特征空間變換到了某一新的特征空間，此時(shí)優(yōu)化函數(shù)變?yōu)椋?(2-15

35、)而相應(yīng)的判別函數(shù)式則為： (2-16) 其中是支持向量，為未知量，（2-16）式就是支持向量機(jī)（SVM）模型。 由于最終的判別函數(shù)中實(shí)際只包含未知向量與支持向量的內(nèi)積的線性組合，因此識(shí)別時(shí)的計(jì)算復(fù)雜度取決于支持向量的個(gè)數(shù)。 目前常用的核函數(shù)形式主要有Linear核函數(shù)、RBF(Radial Basis Function)核函數(shù)、Sigmoid核函數(shù)、Polynomial核函數(shù)四大類(lèi)。 3 基于體壓分布的乘員體征識(shí)別算法前面介紹了各種乘員體征識(shí)別技術(shù)及方法及乘員體征識(shí)別技術(shù)的理論基礎(chǔ)和支持向量機(jī)方法，本文在綜合分析以上研究方法的基礎(chǔ)上，提出了通過(guò)分析座椅體壓分布的方法對(duì)乘員類(lèi)型體征信息進(jìn)行識(shí)別

36、的技術(shù)路線。其中，采用了智能模式識(shí)別中在解決小樣本、非線性、局部最小及高維模式識(shí)別問(wèn)題時(shí)具有優(yōu)秀性能的支持向量機(jī)算法，并通過(guò)分析壓力分布敏感點(diǎn)，將壓力分布的圖中的敏感點(diǎn)壓力直接作為乘員體征主特征，最終將獲得的主特征作為支持向量機(jī)訓(xùn)練樣本實(shí)施學(xué)習(xí)訓(xùn)練，將訓(xùn)練后的分類(lèi)模型直接作為乘員體征分類(lèi)器。3.1 總體技術(shù)路線 本文開(kāi)發(fā)的算法包括乘員測(cè)量空間的生成、乘員特征空間的提取和乘員體征空間的劃分三個(gè)部分。乘員類(lèi)型識(shí)別系統(tǒng)識(shí)別過(guò)程如3.1所示。 敏感點(diǎn)特乘員測(cè)量空間乘員體征空間乘員特征空間乘員體壓分布數(shù)據(jù) 預(yù)處理 征提取 模式 分類(lèi) 特征選擇 圖3.1 乘員類(lèi)型識(shí)別系統(tǒng)識(shí)別過(guò)程 試驗(yàn)數(shù)據(jù)樣本是使用Tek

37、scan公司的汽車(chē)座椅體壓測(cè)量系統(tǒng)，采集不同體征的乘員高維體壓分布的數(shù)據(jù),形成乘員測(cè)量空間。通過(guò)對(duì)于壓力分布敏感點(diǎn)的分析，找到乘員體壓分布敏感點(diǎn)，將敏感點(diǎn)壓力值作為乘員識(shí)別特征，建立乘員特征空間，然后通過(guò)模式識(shí)別中支持向量機(jī)的方法對(duì)乘員特征空間進(jìn)行分類(lèi)，對(duì)乘員體征空間進(jìn)行劃分，最后建立乘員體征識(shí)別器。乘員體征識(shí)別算法的總技術(shù)路線如圖3.2所示。人工在敏感區(qū)域布置敏感點(diǎn) 高密度坐墊式壓力傳感器 乘員體壓分布測(cè)試系統(tǒng) 壓力敏感點(diǎn)位置不同類(lèi)型乘員體壓分布數(shù)據(jù)壓力分布敏感度分析 乘員體壓信息的后處理平均值濾波實(shí)際體征數(shù)據(jù)讀取 測(cè)量空間的生成壓力敏感點(diǎn)壓力值讀取 壓力分布測(cè)量數(shù)據(jù)處理系 特征空間的提取

38、不同類(lèi)型成員特征數(shù)據(jù)庫(kù) 類(lèi)型空間的劃分 乘員類(lèi)型特征數(shù)據(jù) 歸一化間隔點(diǎn)法求最優(yōu)化參數(shù)值 檢驗(yàn)數(shù)據(jù) 調(diào)查數(shù)據(jù) 檢驗(yàn)分類(lèi)器分類(lèi)效果訓(xùn)練分類(lèi)器 支持向量機(jī)最優(yōu)參數(shù) 類(lèi)型分類(lèi) 器模型最優(yōu)類(lèi)型分類(lèi)器 圖3.2 乘員體征識(shí)別算法技術(shù)路線圖3.2 乘員測(cè)量空間的生成 乘員測(cè)量空間是經(jīng)過(guò)數(shù)據(jù)處理后原始乘員體壓分布信息所在的空間。 膜片式壓力分布傳感器測(cè)量的壓力分布測(cè)量類(lèi)似于攝像機(jī)的光感應(yīng)元件，容易受到外部或內(nèi)部的干擾，單位測(cè)量點(diǎn)的敏感測(cè)壓元件的靈敏度的不均勻性，數(shù)字化過(guò)程中的量化噪聲、傳輸過(guò)程中的誤差以及人為因素，均會(huì)使壓力分布測(cè)量的質(zhì)量變差。因此去除噪聲、恢復(fù)原始的壓力分布是數(shù)據(jù)處理的一個(gè)重要內(nèi)容22。 本

39、文借助圖像處理的方法對(duì)壓力分布數(shù)據(jù)進(jìn)行預(yù)處理。圖像的平滑處理方法根據(jù)噪聲本身的特性而定，可在空間域或頻率域采用不同的措施，大多在空間域內(nèi)進(jìn)行?？臻g平滑濾波是在圖像空間內(nèi)利用模板進(jìn)行鄰域操作實(shí)現(xiàn)的，一般可分為線性和非線性兩類(lèi)。線性平滑濾波器因?yàn)橥晟频睦碚摶A(chǔ)、相對(duì)簡(jiǎn)單的數(shù)學(xué)處理，一直是圖像處理的主要工具23。本文使用的預(yù)處理算法是局部平均法，即以某個(gè)像素為中心，在圖像上開(kāi)一個(gè)小窗口，把這個(gè)窗口內(nèi)的所有測(cè)量點(diǎn)的壓力值加權(quán)求平均值，并以這個(gè)值來(lái)代替這個(gè)測(cè)量點(diǎn)的壓力值。計(jì)算公式如下： (3-1)其中，M是鄰域N內(nèi)的測(cè)量點(diǎn)總和，是鄰域N內(nèi)位置處的壓力值，表示加權(quán)系數(shù)且有： （3-2）這種平滑處理算法可表

40、示成線性算子的形式。由于加權(quán)系數(shù)選擇的不同，形成多種平滑算子。 體壓分布數(shù)據(jù)處理就是將對(duì)乘員體壓分布圖進(jìn)行平均值平滑處理，圖3.3左側(cè)是處理前的體壓分布圖，右側(cè)是處理后對(duì)應(yīng)的壓力分布圖。 圖 3.3 平均值濾波前后壓力分布影像3.3 乘員特征空間的提取 特征是決定相似性和分類(lèi)的關(guān)鍵，在分類(lèi)目的決定以后，如何找到合適的特征就成為認(rèn)知和識(shí)別的核心問(wèn)題。從測(cè)量空間到特征空間通常需要復(fù)雜的非線性運(yùn)算，直接找到這種算法是困難的。由于特征提取和選擇的重要，使它成為模式識(shí)別一個(gè)關(guān)鍵問(wèn)題，也是最困難的問(wèn)題之一13。 在汽車(chē)的實(shí)際使用過(guò)程中，通常高維體壓分布測(cè)量系統(tǒng)成本高，易損耗，座椅乘坐舒適性欠佳，低密度壓力

41、傳感器陣列結(jié)構(gòu)相比壓力分布傳感器成本底，可靠性高，但是由于信息量大幅降低，這就需要安裝的傳感器陣列位置能最敏感的反映乘員體征情況。 本文使用壓力分布敏感點(diǎn)壓力作為模式識(shí)別中乘員體征主特征的目的就是為后續(xù)研究基于低密度壓力傳感器的乘員體征識(shí)別系統(tǒng)做前期準(zhǔn)備。對(duì)于連續(xù)隨機(jī)變量X服從參數(shù)為，的正態(tài)分布，如果固定，改變，則當(dāng)越小時(shí)，概率密度曲線越陡峭，X落在x=附近的概率越大，當(dāng)越大時(shí)，曲線越平坦24。圖3.4為正態(tài)分布概率密度示意圖。 f(x) 圖3.4為正態(tài)分布概率密度示意圖 對(duì)于離散型隨機(jī)變量X若服從參數(shù)為，的正態(tài)分布，若越大，數(shù)據(jù)分散度越大。 本文將壓力分布傳感器的每個(gè)采集點(diǎn)作為一個(gè)變量，每張

42、分布圖中該點(diǎn)的壓力值作為一個(gè)樣本，對(duì)每個(gè)采集點(diǎn)進(jìn)行統(tǒng)計(jì)分析，通過(guò)分析發(fā)現(xiàn)每個(gè)采集點(diǎn)的壓力值符合正態(tài)分布，圖3.5-3.6為不同敏感點(diǎn)壓力值的概率密度直方圖。若該正態(tài)分布值越大說(shuō)明數(shù)據(jù)分散度越大，說(shuō)明對(duì)乘員體態(tài)變化情況越敏感。設(shè)是每個(gè)采集點(diǎn)采集到的一系列壓力值，將統(tǒng)計(jì)量 (3-3)作為樣本方差,其中；則 越大，該采集點(diǎn)敏感度越大。繪制出的分布圖即體壓敏感度分布圖，在偏大的區(qū)域布置低密度傳感器陣列。 圖3.5 體壓分布傳感器坐標(biāo)（20，30）及（1，48）處壓力值概率密度直方圖 圖3.6 體壓分布傳感器坐標(biāo)（15，25）及（15，20）處壓力值概率密度直方圖本文在獲得的體壓敏感度分布圖后，對(duì)進(jìn)行閾

43、值處理，是位置處的敏感度。從分布圖中提取敏感度偏大區(qū)域的一個(gè)明顯方法就是選取一個(gè)閾值T來(lái)分離這兩種模式。任何滿足T的點(diǎn)稱為目標(biāo)點(diǎn)，其他點(diǎn)稱為背景點(diǎn)。閾值處理后的分布圖g(i,j)定義為： = 如果T 0 如果 T (3-4)圖3.7為閾值處理前后體壓分布敏感度分布圖。S2越大，該采集點(diǎn)敏感度越大。在閾值處理后剩下的區(qū)域運(yùn)用均勻性原則選取一系列點(diǎn)的壓力值作為模式識(shí)別的乘員體征特征。按照均勻性原則，在獲得的適宜條件下雖然不見(jiàn)得是最優(yōu)設(shè)計(jì)，但至少在某種程度上接近最優(yōu)條件，均勻設(shè)計(jì)的最大優(yōu)點(diǎn)是簡(jiǎn)化設(shè)計(jì)復(fù)雜性25。 通過(guò)上述途徑獲得的一系列壓力敏感點(diǎn)的壓力值樣本將作為后續(xù)模式識(shí)別訓(xùn)練及檢驗(yàn)樣本。如果經(jīng)檢

44、驗(yàn)?zāi)苓_(dá)到滿意的識(shí)別效果，則說(shuō)明通過(guò)在相同位置布置低密度傳感器用于對(duì)于乘員體征的識(shí)別也應(yīng)具有可行性。 圖3.7 閾值處理前后體壓分布敏感度分析圖3.4 乘員類(lèi)型空間的劃分乘員特征空間的劃分就是在乘員特征空間中用分類(lèi)器把乘員識(shí)別為某一乘員類(lèi)型或某一種坐姿?；驹瓌t是在樣本訓(xùn)練集基礎(chǔ)上確定某個(gè)乘員類(lèi)型分類(lèi)器，使按這種分類(lèi)器對(duì)被識(shí)別乘員進(jìn)行分類(lèi)的正確率最高。本文采用支持向量機(jī)乘員特征分類(lèi)器對(duì)乘員進(jìn)行乘員特征空間劃分12。乘員體征分類(lèi)識(shí)別由乘員類(lèi)型識(shí)別及乘員坐姿識(shí)別構(gòu)成。兩種識(shí)別方法完全相同，不同的是在乘員特征空間中的特征值對(duì)應(yīng)的分類(lèi)標(biāo)簽，乘員類(lèi)型識(shí)別中對(duì)應(yīng)的為乘員類(lèi)型分類(lèi)標(biāo)簽，乘員坐姿識(shí)別對(duì)應(yīng)的為乘員

45、坐姿分類(lèi)標(biāo)簽。 下面以乘員類(lèi)型識(shí)別為例進(jìn)行介紹。 乘員類(lèi)型分類(lèi)識(shí)別的支持向量機(jī)算法主要由歸一化、訓(xùn)練、預(yù)測(cè)、交叉檢驗(yàn)四大功能模塊組成。處理的流程如圖3.8所示。 檢驗(yàn)用數(shù)據(jù)訓(xùn)練用數(shù)據(jù)最優(yōu)化參數(shù)歸一化 各敏感點(diǎn)壓力值 各敏感點(diǎn)壓力值 及類(lèi)型分類(lèi)標(biāo)簽 及類(lèi)型分類(lèi)標(biāo)簽歸一化學(xué)習(xí)數(shù)據(jù)檢驗(yàn)數(shù)據(jù) 訓(xùn)練 C,預(yù)測(cè)調(diào)整參數(shù)計(jì)算正確率結(jié)束條件否是 最優(yōu)分類(lèi)器 圖3.8為支持向量機(jī)算法結(jié)構(gòu)圖1.應(yīng)用函數(shù)的選取 目前常用的核函數(shù)形式主要有以下四類(lèi)。 linear核函數(shù)，即 RBF(Radial Basis Function)核函數(shù),即 Sigmoid核函數(shù)，即 Polynomial核函數(shù)，即 本文將重點(diǎn)選取選取Linear核函數(shù)作為支持向量機(jī)核函數(shù)，然后進(jìn)行分析，找到最優(yōu)核函數(shù)。2.樣本數(shù)據(jù)的歸一化對(duì)上一節(jié)提取的特征空間