应用svm技术之计次广告播放系统设计
随着各类电视机、电脑的普及，我们在观看节目的同时也在收看着各种各样的广告，那么我们怎么才能计算出每类广告每天以各种方式共被播放了多少次呢？本文拟将基于应用SVM技术的识别、分类、计算等功能设计出广告播放计次系统。SVM属于监督类学习方法的一种，它大多适用于回归分析以及统计分类当中。它的正识率相比较于其它算法最高，分类是最为准确的，它是目前国际上机器学习领域的研究热点之一。本设计将通过对广告进行图像的识别，从而完成对整个广告的识别，进而进行分类，最后进行计次，得出每类广告通过各种方式的播放次数。我会将一个图片当做一个数据，去掉没用的像素点，剩下的像素点中有具体的亮度数据和颜色数据。这个过程中SVM可以学到图片的主要特征。AbstractWith the popularity of all kinds of television, computer, we are watching the program at the same time also looking at all kinds of advertising, so how can we calculate each kind of advertising in various ways a total of how many times a day was broadcast? In this paper, based on the application of SVM technology identification, classification, calculation and other functions to design the advertising play time system. Svm is one of supervised learning methods, which is mostly used in regression analysis and statistical classification. Compared with other algorithms, its positive recognition rate is the highest and classification is the most accurate. it is one of the *好棒文|www.hbsrm.com +Q: *351916072*
research hotspots in the field of machine learning in the world. This design will be through the image identification of advertising, so as to complete the identification of the entire advertising, and then to classify, and finally to count, get each type of advertising through various ways of playing times. I will use a picture as a data, remove useless pixels, the remaining pixels have specific brightness data and color data. In this process, SVM can learn the main features of the picture.
目录
一、绪论
（一）研究背景1
（二）图像分类识别方法研究1
（三）各类图像识别方法优缺点比较2
（四）支持向量机算法的研究3
二、支持向量机
（一）支持向量机的发展历史5
（二）支持向量机的发展现状5
（三）支持向量机的发展限制6
三、基于SVM算法的分类研究
（一）特征的选择和提取8
（二）模型的选择和学习问题8
四、实物的制作
（一）亮度和颜色的调整9
总结13
致谢14
参考文献15
八、附录16
一、绪论
（一）研究背景
由于各种各样的媒体设备正在被发明并且使用，我们的网络技术以及先进的计算机技术得到了迅猛的发展和提高，而我们的社会也随之进入了高速信息时代人们认识和了解这个这个世界有着很多手段，一种最基本的手段便是识别，这也就成为我们去识别和分类现代信息的一种重要工具。而我们想对日常的广告播放次数进行计次，我们首先需要对我们需要计次的内容进行识别，之后将识别的内容进行分类，最后再进行计次的处理。
最近几十年来，由于技术的不断提高，各种更优的算法被不断提出，我们对于图像的识别和分类有了更多更好的方法，同时也有非常多精准并且便捷的图像识别和分类方法在我们日常生活中出现。利用统计学原理的统计法、利用提取特征方法的模板匹配法、模仿人体神经网络的神经网络方法还有本论文中在研究的支持向量法等很多的重要图像识别手段。
（二）图像分类识别方法研究
图像的识别分类是指用多样的智能分类和识别方法，通过各种各样的操作来识别不同的图像，然后进行分类。首先我们需要对图像进行预处理，然后再对图像完成分割，最后我们再对图像完成特征的提取，在这之后我们对这些图像的特征数据进行整合分析，最后是依据这些特征进行图像的分类。近些年越来越多的图像识别分类方法出现，它们以科学技术和计算机技术的高速发展以及大量分类算法提出为基础。但是简单来说我们主要是通过识别图像的不同特征并且整合比较特征来进行图像的识别分类的，那么有着相同特征的对象我们把它归为一类，而如果并未出现相同的特征的对象归为一类，因此各种的图像识别方法也都会有它自身的有点与缺陷。
我们所使用的统计识别法就是应用了数学里面的统计学原理，所以通常我们用数学决策方面的理论来作为统计识别法的理论根本，我们基于数学决策的理论来构造出统计识别方法的模型，我们运用统计识别法首先需要建立好统计识别模型，那我们建立这个模型就需要对我们要进行识别和分类的图像特征有着对应的分析，然后进行统计，我们需要找到最能够反映出图像的特点的那个特征，随后根据这个特征再来将图像进行分类。可是，统计识别法它并不能够识别出图像空间方面的结构关联。如果需要我们识别的图像，它们的主要的特征是结构的特征的话，我们用统计识别就不能够成功的识别出图像了。
我们常使用的模板匹配法则要求更高了，使用这种方法我们首先就要根据索要识别的图像建立一个很准确的标志模板，这个模板就将被我们用作比较其他的图像，是我们判定所需要分类图像的基础，之后我们将需要分类的图像和我们准备的标准的模板进行比较，如果该图像有着相同的特征就归为一类，如果没有相同的特征就归为另一类。实际上模板匹配法就一种比较的算法，我们将需要分类的图像与标准的模板相比较，测试其匹配与否，最后进行分类。其实对于模板匹配法来说任务的重点和难点就是要先进行模板的创建，前期所创建的模板更加的精准，那么后面匹配的时候就更加的准确，最后进行的图像识别分类就更加简单并且准确。
模糊集识别法被广泛的应用到了现实生活中的很多个方面。但是我们在使用这种方法来进行图像识别分类的时候，由于我们所能识别出的很多图像特征并不是特别的精准，所以很多时候不能准确判断出该图像是属于哪一种分类的，我们可以先判别图像的模糊的特征，这样我们会得到两个或者更多的类别，我们对这些图像再进行模糊集识别，这样我们继续对所选图像的另外特征再来进行识别分类，反复比较直至成功对图像识别分类。模糊集识别法虽然我们所选的每个模糊特征不能够准确的判别图像，但是这能够让我们更进一步地判别图像，虽然我们需要去判别的特征变得更多了，但是却可以使我们判别更加的准确，也会使我们的设计更加的简单。
神经网络法基本上是通过我们所学习的神经网络算法来对我们所需要进行分类的图像来识别。事实上神经网络算法和统计识别法在识别的手段上很多地方是相互有着关联的，它们都需要通过整合比较样本数据来完成图像的识别与分类，我们也可以在一定程度上，把它们看作是等价的关系。但是神经网络法的特有优点是，它可以通过识别、分析、学习来从我们所选图像中找出图像的最显著特征，之后便可以对图像有了最精准的分类了。因为在神经网络算法当中是有着各种各样的网络结构的，所以在使用神经网络法时，最重要的便是要先选择出合适的神经网络结构。在使用神经网络法进行分类的时候需要输入图像的各种特征数据，在这之后图像通过了预先的处理和提取显著特征数据，最后成功对图像进行了识别分类。
research hotspots in the field of machine learning in the world. This design will be through the image identification of advertising, so as to complete the identification of the entire advertising, and then to classify, and finally to count, get each type of advertising through various ways of playing times. I will use a picture as a data, remove useless pixels, the remaining pixels have specific brightness data and color data. In this process, SVM can learn the main features of the picture.
目录
一、绪论
（一）研究背景1
（二）图像分类识别方法研究1
（三）各类图像识别方法优缺点比较2
（四）支持向量机算法的研究3
二、支持向量机
（一）支持向量机的发展历史5
（二）支持向量机的发展现状5
（三）支持向量机的发展限制6
三、基于SVM算法的分类研究
（一）特征的选择和提取8
（二）模型的选择和学习问题8
四、实物的制作
（一）亮度和颜色的调整9
总结13
致谢14
参考文献15
八、附录16
一、绪论
（一）研究背景
由于各种各样的媒体设备正在被发明并且使用，我们的网络技术以及先进的计算机技术得到了迅猛的发展和提高，而我们的社会也随之进入了高速信息时代人们认识和了解这个这个世界有着很多手段，一种最基本的手段便是识别，这也就成为我们去识别和分类现代信息的一种重要工具。而我们想对日常的广告播放次数进行计次，我们首先需要对我们需要计次的内容进行识别，之后将识别的内容进行分类，最后再进行计次的处理。
最近几十年来，由于技术的不断提高，各种更优的算法被不断提出，我们对于图像的识别和分类有了更多更好的方法，同时也有非常多精准并且便捷的图像识别和分类方法在我们日常生活中出现。利用统计学原理的统计法、利用提取特征方法的模板匹配法、模仿人体神经网络的神经网络方法还有本论文中在研究的支持向量法等很多的重要图像识别手段。
（二）图像分类识别方法研究
图像的识别分类是指用多样的智能分类和识别方法，通过各种各样的操作来识别不同的图像，然后进行分类。首先我们需要对图像进行预处理，然后再对图像完成分割，最后我们再对图像完成特征的提取，在这之后我们对这些图像的特征数据进行整合分析，最后是依据这些特征进行图像的分类。近些年越来越多的图像识别分类方法出现，它们以科学技术和计算机技术的高速发展以及大量分类算法提出为基础。但是简单来说我们主要是通过识别图像的不同特征并且整合比较特征来进行图像的识别分类的，那么有着相同特征的对象我们把它归为一类，而如果并未出现相同的特征的对象归为一类，因此各种的图像识别方法也都会有它自身的有点与缺陷。
我们所使用的统计识别法就是应用了数学里面的统计学原理，所以通常我们用数学决策方面的理论来作为统计识别法的理论根本，我们基于数学决策的理论来构造出统计识别方法的模型，我们运用统计识别法首先需要建立好统计识别模型，那我们建立这个模型就需要对我们要进行识别和分类的图像特征有着对应的分析，然后进行统计，我们需要找到最能够反映出图像的特点的那个特征，随后根据这个特征再来将图像进行分类。可是，统计识别法它并不能够识别出图像空间方面的结构关联。如果需要我们识别的图像，它们的主要的特征是结构的特征的话，我们用统计识别就不能够成功的识别出图像了。
我们常使用的模板匹配法则要求更高了，使用这种方法我们首先就要根据索要识别的图像建立一个很准确的标志模板，这个模板就将被我们用作比较其他的图像，是我们判定所需要分类图像的基础，之后我们将需要分类的图像和我们准备的标准的模板进行比较，如果该图像有着相同的特征就归为一类，如果没有相同的特征就归为另一类。实际上模板匹配法就一种比较的算法，我们将需要分类的图像与标准的模板相比较，测试其匹配与否，最后进行分类。其实对于模板匹配法来说任务的重点和难点就是要先进行模板的创建，前期所创建的模板更加的精准，那么后面匹配的时候就更加的准确，最后进行的图像识别分类就更加简单并且准确。
模糊集识别法被广泛的应用到了现实生活中的很多个方面。但是我们在使用这种方法来进行图像识别分类的时候，由于我们所能识别出的很多图像特征并不是特别的精准，所以很多时候不能准确判断出该图像是属于哪一种分类的，我们可以先判别图像的模糊的特征，这样我们会得到两个或者更多的类别，我们对这些图像再进行模糊集识别，这样我们继续对所选图像的另外特征再来进行识别分类，反复比较直至成功对图像识别分类。模糊集识别法虽然我们所选的每个模糊特征不能够准确的判别图像，但是这能够让我们更进一步地判别图像，虽然我们需要去判别的特征变得更多了，但是却可以使我们判别更加的准确，也会使我们的设计更加的简单。
神经网络法基本上是通过我们所学习的神经网络算法来对我们所需要进行分类的图像来识别。事实上神经网络算法和统计识别法在识别的手段上很多地方是相互有着关联的，它们都需要通过整合比较样本数据来完成图像的识别与分类，我们也可以在一定程度上，把它们看作是等价的关系。但是神经网络法的特有优点是，它可以通过识别、分析、学习来从我们所选图像中找出图像的最显著特征，之后便可以对图像有了最精准的分类了。因为在神经网络算法当中是有着各种各样的网络结构的，所以在使用神经网络法时，最重要的便是要先选择出合适的神经网络结构。在使用神经网络法进行分类的时候需要输入图像的各种特征数据，在这之后图像通过了预先的处理和提取显著特征数据，最后成功对图像进行了识别分类。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/txgc/812.html
