SVM原理简介

svmtrain和svmpredict简介

分类:SVM

本文主要介绍了SVM工具箱中svmtrain和svmpredict两个主要函数：

(1)model= svmtrain(train_label, train_matrix,

['libsvm_options']);

其中：

train_label表示训练集的标签。

train_matrix表示训练集的属性矩阵。

libsvm_options是需要设置的一系列参数，各个参数可参见《libsvm

参数说明.txt》，里面介绍的很详细，中英文都有的。如果用回归的话，其中的-s参数值应为3。

model:是训练得到的模型，是一个结构体（如果参数中用到-v，得到的就不是结构体，对于分类问题，得到的是交叉检验下的平均分类准确率；对于回归问题，得到的是均方误差）。

(2)[predicted_label,

accuracy/mse,decision_values/prob_estimates]

=svmpredict(test_label, test_matrix, model,

['libsvm_options']);

其中：

test _label表示测试集的标签（这个值可以不知道，因为作预测的时候，本来就是想知道这个值的，这个时候，随便制定一个值就可以了，只是这个时候得到的mse就没有意义了）。

test _matrix表示测试集的属性矩阵。

model 是上面训练得到的模型。

libsvm_options是需要设置的一系列参数。

predicted_label表示预测得到的标签。

accuracy/mse是一个3*1的列向量，其中第1个数字用于分类问题，表示分类准确率；后两个数字用于回归问题，第2个数字表示mse；第三个数字表示平方相关系数（也就是说，如果分类的话，看第一个数字就可以了；回归的话，看后两个数字）。

decision_values/prob_estimates：第三个返回值，一个矩阵包含决策的值或者概率估计。对于n个预测样本、k类的问题，如果指定“-b 1”参数，则n x k的矩阵，每一行表示这个样本分别属于每一个类别的概率；如果没有指定“-b 1”参数，则为n

编码器原理

(1)光电编码器

光电编码器是一种二进制光电位置指示器，其基本原理是由不同等分的明暗相间的条纹，通过光电元件取得角度位置的二进制数字信号，最后进行解码取得角度位置的绝对值或相对值。绝对编码器的码形总是唯一的，这种码形给出了长度或角度的位置。光电编码器由光源，码盘和光电接收器所组成。码盘是编码器中的最重要的器件。图3.17是一个八位编码器的码盘和编码器的工作原理图。这里的码盘是一种自然码盘。绝对编码器的码形有多种形式。一种叫做格瑞码

的码盘特别适用于光学编码器（见图3.18(a)）。这种码盘每进一格仅改变一个数码，不易产生错码现象。

图 3.18 (a) 格瑞码的码盘和(b)增量编码器的码盘

图 3.19 增量编码器码盘脉冲信息细分的工作原理，图中z表示零位

光电编码器的另一类是增量编码器。增量编码器的码盘如图3.18(b)所示。它的码盘是由明暗相间的条纹所构成。一般来讲同样分辨精度的增量编码器要比绝对编码器便宜得多。增量编码器还有一些提高分辨精度的方法。通常增量光栅码盘有四个刻道，其中两个是明暗相间的条纹码，另外两个是电源亮度指示码。这两个条纹码之间相互错开，这样这种码盘的编码器就不但可以给出码盘运动的角度和大小，而且可以给出码盘运动的方向。同时当光栅码盘的方波脉冲信息输入到顺时针 和逆时针

的增减计数器中时，这种两个条纹码的方波信息就可以分解为一倍、两倍或四倍的精细信号以提高编码器的分辨本领。如果光栅码盘的质量好，这种精细的四倍的信号可以精确到每一个信号脉冲的二分之一。

为了获得更为精细的分辨本领一种用光栅读头的方法可以达到这个目的。（见图3.20）这时在旋转光栅的后面加上了一个小的子光栅。当相干光照射在光栅盘上时，在子光栅面上的光强为(leki,1999)：

(3.58)

图 3.20 增量编码器中子光栅码盘细分的工作原理图(leki,1999)

式中 是光栅的投射率。如果第一个光栅的周期是 ，第二个光栅的周期也是 。用 作为在焦面上的空间频率，则在焦面上的光能量为：

支持向量机算法的原理

支持向量机（Support Vector Machine，SVM）是一种广泛应用于分类和回归问题的机器学习算法。它的原理基于统计学习理论中的结构风险最小化原则，通过寻找一个最优的超平面来实现数据的分类。

在SVM中，数据被看作是高维空间中的点，每个点都有一个与之对应的特征向量。这些特征向量的维度取决于特征的数量。SVM的目标是找到一个超平面，使得其能够尽可能地将不同类别的数据点分隔开。

超平面是一个d维空间中的d-1维子空间，其中d为特征向量的维度。在二维空间中，超平面即为一条直线，可以完全将两类数据点分开。在更高维的空间中，超平面可以是一个曲面或者是一个超平面的组合。

为了找到最优的超平面，SVM引入了支持向量的概念。支持向量是离超平面最近的数据点，它们决定了超平面的位置和方向。通过最大化支持向量到超平面的距离，SVM能够找到一个最优的超平面，使得分类误差最小化。

SVM的核心思想是将低维空间中的数据映射到高维空间中，使得原本线性不可分的数据变得线性可分。这一映射是通过核函数实现的。核函数能够计算两个数据点在高维空间中的内积，从而避免了显式地进行高维空间的计算。常用的核函数有线性核、多项式核和高斯核等。

SVM的训练过程可以简化为一个凸优化问题。通过最小化结构风险函数，SVM能够找到一个最优的超平面，使得分类误差最小化。结构风险函数由经验风险项和正则化项组成。经验风险项衡量了分类器在训练集上的错误率，正则化项则防止过拟合。

SVM的优点是具有较好的泛化性能和较强的鲁棒性。由于最大化支持向量到超平面的距离，SVM对异常值不敏感，能够有效地处理噪声数据。此外，SVM还可以通过引入松弛变量来处理非线性可分的问题。

然而，SVM也存在一些限制。首先，SVM对于大规模数据集的训练时间较长，且对内存消耗较大。其次，选择合适的核函数和参数是一个挑战性的问题，不同的核函数和参数可能会导致不同的分类结果。此外，SVM在处理多分类问题时需要进行多个二分类器的组合。

支持向量机原理

支持向量机（Support Vector Machine，SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。支持向量机的学习策略是间隔最大化，可形式化为一个求解凸二次规划问题。SVM是一种分类算法，它的基本原理是找到一个超平面，将不同类别的数据分隔开来，使得两个类别的数据点到超平面的距离最大化。

支持向量机的原理主要包括间隔、支持向量、对偶问题和核函数等几个方面。

首先，我们来看支持向量机的间隔。在支持向量机中，间隔是指两个异类样本最近的距离，而支持向量机的目标就是要找到一个超平面，使得所有样本点到这个超平面的距离最大化。这个距离就是间隔，而支持向量机的学习策略就是要最大化这个间隔。

其次，支持向量机的支持向量。支持向量是指离超平面最近的那些点，它们对超平面的位置有影响。支持向量决定了最终的超平面的位置，而其他的点对超平面的位置没有影响。因此，支持向量是支持向量机模型的关键。

然后，我们来看支持向量机的对偶问题。支持向量机的原始问题是一个凸二次规划问题，可以通过求解对偶问题来得到最终的分类超平面。通过对偶问题，我们可以得到支持向量的系数，从而得到最终的分类超平面。

最后，我们来看支持向量机的核函数。在实际应用中，很多时候样本不是线性可分的，这时就需要用到核函数。核函数可以将原始特征空间映射到一个更高维的特征空间，使得样本在这个高维特征空间中线性可分。常用的核函数有线性核、多项式核和高斯核等。

综上所述，支持向量机是一种非常强大的分类算法，它通过最大化间隔来得到最优的分类超平面，支持向量决定了最终的超平面的位置，对偶问题可以通过求解对偶问题来得到最终的分类超平面，而核函数可以处理非线性可分的情况。支持向量机在实际应用中有着广泛的应用，是一种非常重要的机器学习算法。

希望本文对支持向量机的原理有所帮助，让读者对支持向量机有更深入的理解。支持向量机作为一种经典的机器学习算法，有着重要的理论意义和实际应用价值。希望读者能够深入学习支持向量机，掌握其原理和应用，为解决实际问题提供帮助。