支持向量机SVM算法原理及应用（R）

只要接触到数据挖掘/机器学习，相比都会听过“支持向量机”的大名。在机器学习领域，支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。SVM涉及的知识面非常广，目标函数、优化过程、并行方法、算法收敛性、样本复杂度等。学习SVM可以看《统计学习方法》、Andrew Ng支持向量机等，这里推荐一个博客，讲的非常详细，我就不搬过来了，大家可以直接去看那篇博客，最好能静下心来直接拿起笔跟着博主推理一边，这样更能加深印象。

http://blog.csdn.net/v_july_v/article/details/7624837

学习完原理，接下来就该应用了，应用后更能加深对SVM的理解。

从事渔业生产有经验的从业者可通过观察水色变化调控水质，以维持养殖水体生态系统中浮游植物、微生物类、浮游动物等合理的动态平衡。由于这些多是通过经验和肉眼观察进行判断，存在主观性引起的观察性偏倚，使观察结果的可比性、可重复性降低，不易推广应用。当前，数字图像处理技术为计算机监控技术在水产养殖业的应用提供更大的空间。在水质在线监测方面，数字图像处理技术是基于计算机视觉，以专家经验为基础，对池塘水色进行优劣分级，达到对池塘水色的准确快速判别。

 

水色分类

水色	浅绿色（清水或浊水）	灰蓝色	黄褐色	茶褐色 （姜黄、茶褐、红褐、褐中带绿等）	绿色（黄绿、油绿、蓝绿、墨绿、绿中带褐等）
水质类别	1	2	3	4	5

标准条件下拍摄的水样图像

每个水质图片命名规则为“类别-编号.jpg”，如“1_1.jpg”说明当前图片属于第1类的样本。

接下来进行特征提取

采用颜色矩来提取水样图像的特征

水色图像特征与相应的水色类别的部分数据

 

水质类别	序号	R通道一阶矩	G通道一阶矩	B通道一阶矩	R通道二阶矩	G通道二阶矩	B通道二阶矩	R通道三阶矩	G通道三阶矩	B通道三阶矩
1	1	0.582823	0.543774	0.252829	0.014192	0.016144	0.041075	-0.01264	-0.01609	-0.04154
2	1	0.495169	0.539358	0.416124	0.011314	0.009811	0.014751	0.015367	0.01601	0.019748
3	1	0.510911	0.489695	0.186255	0.012417	0.010816	0.011644	-0.00747	-0.00768	-0.00509
4	1	0.420351	0.436173	0.167221	0.01122	0.007195	0.010565	-0.00628	0.003173	-0.00729
5	1	0.211567	0.335537	0.111969	0.012056	0.013296	0.00838	0.007305	0.007503	0.00365
1	2	0.563773	0.534851	0.271672	0.009723	0.007856	0.011873	-0.00513	0.003032	-0.00547
2	2	0.465186	0.508643	0.361016	0.013753	0.012709	0.019557	0.022785	0.022329	0.031616
3	2	0.533052	0.506734	0.185972	0.011104	0.007902	0.01265	0.004797	-0.0029	0.004214
4	2	0.398801	0.42556	0.191341	0.014424	0.010462	0.01547	0.009207	0.006471	0.006764
5	2	0.298194	0.427725	0.097936	0.014778	0.012456	0.008322	0.00851	0.006117	0.00347
1	3	0.630328	0.594269	0.298577	0.007731	0.005877	0.010148	0.003447	-0.00345	-0.00653
2	3	0.491916	0.546367	0.425871	0.010344	0.008293	0.01226	0.009285	0.009663	0.011549
3	3	0.559437	0.522702	0.194201	0.012478	0.007927	0.012183	0.004477	-0.00341	-0.00529
4	3	0.402068	0.431443	0.177364	0.010554	0.007287	0.010748	0.006261	-0.00341	0.006419
5	3	0.408963	0.486953	0.178113	0.012662	0.009752	0.014497	-0.00672	0.002168	0.009992
1	4	0.638606	0.61926	0.319711	0.008125	0.006045	0.009746	-0.00487	0.003083	-0.0045

 

SVM预测模型输入变量

序号	变量名称	变量描述	取值范围
1	R通道一阶矩	水样图像在R颜色通道的一阶矩	0～1
2	G通道一阶矩	水样图像在G颜色通道的一阶矩	0～1
3	B通道一阶矩	水样图像在B颜色通道的一阶矩	0～1
4	R通道二阶矩	水样图像在R颜色通道的二阶矩	0～1
5	G通道二阶矩	水样图像在G颜色通道的二阶矩	0～1
6	B通道二阶矩	水样图像在B颜色通道的二阶矩	0～1
7	R通道三阶矩	水样图像在R颜色通道的三阶矩	-1～1
8	G通道三阶矩	水样图像在G颜色通道的三阶矩	-1～1
9	B通道三阶矩	水样图像在B颜色通道的三阶矩	-1～1
<