تحقیق آماده با موضوع ماشین بردار پشتیبان (SVM) - شامل 22 صفحه فایل ورد

1 مقدمه. 1

2 حد بالا برای تعمیم‌پذیری کارایی یک ماشین یادگیر در شناسایی الگو. 4

3 بعد VC.. 4

3 – 1 نقاط خردشونده با صفحات در فضای Rn 5

3-2 بعد VC و تعداد پارامترها 6

4 ماشین‌های بردار پشتیانی خطی، مورد جدایی‌پذیر. 7

4-1 Karush-Kuhn-Tucker 11

4-2 تست.. 12

4-3 شرایط جدایی ناپذیر. 12

5 بردارهای پشتیبان غیرخطی.. 15

5-1 شرایط Mercer 16

6 راه حل‌های فراگیر و یکتایی.. 18

7 روش‌های حل. 18

8 بعد VC ماشینهای بردار پشتیبان. 19

8-1 بعد VC مربوط به کرنلهای RBF (Radial Basis Function) 20

9 مراجع. 21

در این گزارش به بررسی بردارهای پشتیبان خطی و عملکرد آن­ها در مسائل مربوط به دسته بندی می­پردازیم. استفاده از بردارهای پشتیبان خطی (SVM's) در مسائل دسته بندی، رویکرد جدیدی است که در چند ساله اخیر مورد توجه بسیاری قرار گرفته است و از آن در طیف وسیعی از کاربردها از جمله OCR، تشخیص دستخط، تشخیص علائم راهنمایی و ... استفاده کرده­اند. رویکرد SVM به این صورت است که در فاز آموزش، سعی می­شود که مرز تصمیم گیری (Decision Boundry) به گونه­ای انتخاب گردد که حداقل فاصله آن با هر یک از دسته­های مورد نظر ماکزیمم گردد. این نوع انتخاب باعث می­شود که تصمیم گیری ما در عمل، شرایط نویزی را به خوبی تحمل کند و پاسخ دهی خوبی داشته باشد. این نحوه انتخاب مرز بر اساس نقاطی به نام بردارهای پشتیبان انجام می­شود. در این گزارش ما ابتدا مفاهیمی چون تعمیم پذیری یک ماشین شناسایی الگو و بعد VC را که کاربرد زیادی در مفاهیم ماشین­های دسته بندی دارند بررسی می­کنیم و سپس به توضیح بردارهای پشتیبان خطی، غیر خطی و توابع کرنل می­پردازیم. در نهایت نیز بعد VC را برای برخی از این توابع مورد مطالعه قرار می­دهیم.

تشخیص رسیدگی میوه خرمالو به روش پردازش تصویر و ماشین بردار پشتیبان