1、法求得其解。青岛科技大学本科毕业设计论文前面我们介绍了在线性空间中可分的支持向量机最优超平面的求解，而对于线性不可分的分类问题，必须对最优化问题作些改动。可以通过非线性变换把样本输入空间转化为个高维空间中的线性问题，在高维空间中求线性最优分类超平面，这样的高维空间也称为特征空间或高维特征空间空间。假设有非线性映射将输入空间的样本映射到高维可能是无穷维的特征空间中。当在特征空间中构造最优超平面时，训练算法仅使用空间中的点积，即，而没有单独的出现。因此，如果能够找到个函数，使得，这样，在高维特征空间中实际上只需进行内积运算，而这种内积运算是可以用输入空间中的些特殊函数实现的。这些特殊的函数就称之为核函数。因此，在最优分类超平面中采用适当的核函数，就可以实现非线性变换后的线性分类。核函数的思想是把原本应该在高维特征空间中的计算，通过核函数在输入空间中即可完成，这样就无须知道高维变换的显式公式，况且高维变换公式般是无法得到的。同时，核函数的引入解决了高维数带来的麻烦。对给定的函数高维特征空间中的内积可以用输入空间中的函数,来表示的充要条件是对于任意给定的函数这样,就对应了特征空间中的个内积。的应用是用，等多种语言实现的开源软件包，其特点是可以解决分类问题回归问题以及分布估计等问题，提供了线性多项式径向基和函数。
2、基础之上，为解决有限样本学习问题提供了个统的框架。机器学习的目的是根据给定的训练样本求对个系统输入输出之间依赖关系的估计，使它能够对未知输出做出尽可能准确的预测，可以般的表示为变量和之间存在定的未知的依赖关系，即遵循未知的联合概率则机器学习的问题就是根据个独立同分布的观测样本在组函数,中求出个最优的函数,对依赖关系进行估计，使期望风险∫,最小。由于期望风险是预测函数在整个样本空间上的出错率的数学期望，因此要使其最小化必须依赖于联合概率,的信息。但是，在实际的机器学习问题中这要求太强，样本集的分布函数往往难以预知，这使得期望风险无法直接计算和最小化。因此传统的学习方法采用了所谓经验风险最小化即原则，即定义经验风险来作为对期望风险的估计，并设计相应的算法使之最小化。基于手势识别的幻灯片控制系统的设计与实现准则是目前绝大多数模式识别方法的基础，其定义为训练集上的平均出错率，用于对整个样本集的期望风险进行估计。它建立在样本数目足够多的前提下，所提出的各种方法只有在样本数趋向无穷大时，其性能才有理论上的保证。所以在现实的情况中，总是也难以取得理想的结果。但这却是发展进步理想算法的基础。支持向量机支持向量机简称。自年代初提出以来，由于其完整的理论框架和在实际应用中取得的很多好的效果，在机器学习领域受到了广泛的重视。
3、于准确的操作，我们把两个窗口在前端显示，然后再点击运行按钮，则运行幻灯片，并可看见那两个窗口的前端显示情况。这样就可进行手势控制幻灯片的操作。此时如果接着点击菜单上的下翻上翻按钮等，可单独对幻灯片进行相应的控制。点击停止视频按钮，可退出视频的捕捉，单独进行幻灯片的控制操作。点击关闭按钮，则全部退出程序。本章小结本章主要介绍了幻灯片控制的情况和整个系统功能的实现。首先讲述了幻灯片控制函数的使用，对其中每个函数的功能和调用情况进行了介绍。然后讲述接口部分的设计和实现情况，以程序中实际的操作情况进行介绍。再就是解决了有关窗口的前端显示问题。最后还介绍了系统设计中的些细节问题，如操作中的顺序和每步运行情况的介绍。青岛科技大学本科毕业设计论文系统测试本章介绍系统实验结果与分析，主要包括系统测试环境及功能和性能测试。系统测试环境系统的硬件配置情况为并配有内置摄像头可供本设计使用。软件开发平台本设计是在上使用进行开发的，同时借助于开源库较快的实现底层功能。对软件开发来说，好的开发工具可以最大限度地减轻开发人员的负担，集中精力进行软件设计。在众多软件开发工具中，因其功能全面灵活性好效率高和深入底层的优点，而受到开发者青睐。是家族中个经典版本，所以我们选择它作为软件开发的平台。开源库在算法的实现方面，为了提高开发效率，。
4、我们借助采用开源的计算机视觉库的基本函数，如从数字视频摄像头读取视频的函数等。下面简要介绍下的安装步骤首先安装然后安装配置头文件目录依次打开工具选项项目和解决方案目录在包含文件中，添加如下目录配置库文件目录基于手势识别的幻灯片控制系统的设计与实现依次打开工具选项项目和解决方案目录在库文件中，添加如下目录添加库文件链接依次打开项目属性链接器常规附加库目录添加所需要的文件，以空格分开。通常包括在运行文件时由于其系统路径的不同，会在生成时出现，所以要将路径重新配置下依次打开工具选项项目和解决方案目录在可执行文件汇中，将改为功能测试本节我们对程序的手势识别模块和幻灯片控制模块进行功能测试。首先对手势识别模块进行测试，我们在训练模型定义的种手势如图所示本设计中只用到其中的三种图预定义的种手势其对应的二值化图像分别为如图所示青岛科技大学本科毕业设计论文图种手势对应的二值化图像对于本设计进行测试，得到的和窗口的图像如图所示图系统运行中的测试截图针对训练模型中的几种定义手势，进行识别可以看到幻灯片进行了相应的操作，可知手势识别的过程是成功的。对于幻灯片控制模块的测试，不使用手势进行控制，而只点击控制菜单中的上翻按钮下翻按钮等进行单独测试。测试结果表明，幻灯片按照指定的操作进行翻页。从而可知，幻灯片控制模块也达到了预期。
5、。其理论和应用在横向和纵向上都有了发展。且目前支持向量机有着以下几方面的研究热点核函数的构造和参数的选择支持向量机从两类问题向多类问题的推广更多的应用领域的推广与目前其它机器学习方法的融合与数据预处理样本的重要度，属性的重要度，特征选择等方面方法的结合，将数据中脱离领域知识的信息，即数据本身的性质融入支持向量机的算法中从而产生新的算法支持向量机训练算法的探索等等。支持向量机主要针对线性可分情况进行分析，对于线性不可分的情况，则通过非线性映射算法将低维空间的样本转化为高维特征进行线性分析。下面首先介绍线性最优分类超平面的有关算法。把训练样本分成两个有限子集正样本子集和负样本子集。则这两个子集对于超平面可分的条件是存在个单位向量和个常数，使得它们共同确定个超平面，它将正样本集和负样本集分开，并具有最大间隔，这个平面被称为最大间隔超平面，也就是最优分类超平面。我们的目标是找到构造最优分类超平面的有效方法。为此，我们要找到个向量和个常数阈值，使得他们满足约束条件并且向量具有最小的范数。我们知道，具有最小范数且满足该约束条件的向量定义了最优分类超平面。具有最小范数且以满足该约束条件的向量则定义了过原点的最优分类超平面。为了找到最优分类超平面，我们必须求解关于二者的二次规划问题。对于二次规划问题可以用拉格朗日乘子。
6、的设计目标。基于手势识别的幻灯片控制系统的设计与实现对于整个系统的功能测试，运行程序后，按照程序中指定的手势变换顺序检验，可以看到幻灯片能够按照手势变换进行相应的翻页，说明系统完成了预期的功能设计要求。性能测试本节对于系统进行相应指标参数的性能测试。测试主要使用的是函数，它返回从操作系统启动到现在所经过的毫秒数，它的返回值是。所以我们可以用它进行延迟帧速等的测试。交互延迟是指从系统捕捉到图像到幻灯片执行相应操作所耗费的时间。根据本设计的具体情况，我们测得的交互延迟情况共测次，如表所示表系统实现中交互延迟的测试情况测试次数交互延迟从表可以看到，系统运行中的交互延迟均在毫秒级，经过计算，平均交互延迟为。在本设计中，我们需要利用摄像头进行图像的采集，可以对摄像头的采集帧速进行测试即测试摄像头每秒采集多少帧的图像，这也是衡量系统性能的个重要指标。测试的结果如表所示青岛科技大学本科毕业设计论文表摄像头采集图像的帧速测试情况测试次数读取每帧的耗时帧速从表可以看到，摄像头每秒获取的图像数大约在三十几帧。经过计算，得到平均帧速为。轮廓提取时间是系统对每帧图像从开始捕捉到计算其矩之前的耗时，其测试情况如表所示表系统轮廓提取时间的测试情况测试次数提取轮廓的耗时基于手势识别的幻灯片控制系统的设计与实现经过计算，得到轮廓提取。
7、基础之上，为解决有限样本学习问题提供了个统的框架。机器学习的目的是根据给定的训练样本求对个系统输入输出之间依赖关系的估计，使它能够对未知输出做出尽可能准确的预测，可以般的表示为变量和之间存在定的未知的依赖关系，即遵循未知的联合概率则机器学习的问题就是根据个独立同分布的观测样本在组函数,中求出个最优的函数,对依赖关系进行估计，使期望风险∫,最小。由于期望风险是预测函数在整个样本空间上的出错率的数学期望，因此要使其最小化必须依赖于联合概率,的信息。但是，在实际的机器学习问题中这要求太强，样本集的分布函数往往难以预知，这使得期望风险无法直接计算和最小化。因此传统的学习方法采用了所谓经验风险最小化即原则，即定义经验风险来作为对期望风险的估计，并设计相应的算法使之最小化。基于手势识别的幻灯片控制系统的设计与实现准则是目前绝大多数模式识别方法的基础，其定义为训练集上的平均出错率，用于对整个样本集的期望风险进行估计。它建立在样本数目足够多的前提下，所提出的各种方法只有在样本数趋向无穷大时，其性能才有理论上的保证。所以在现实的情况中，总是也难以取得理想的结果。但这却是发展进步理想算法的基础。支持向量机支持向量机简称。自年代初提出以来，由于其完整的理论框架和在实际应用中取得的很多好的效果，在机器学习领域受到了广泛的重视。
8、法求得其解。青岛科技大学本科毕业设计论文前面我们介绍了在线性空间中可分的支持向量机最优超平面的求解，而对于线性不可分的分类问题，必须对最优化问题作些改动。可以通过非线性变换把样本输入空间转化为个高维空间中的线性问题，在高维空间中求线性最优分类超平面，这样的高维空间也称为特征空间或高维特征空间空间。假设有非线性映射将输入空间的样本映射到高维可能是无穷维的特征空间中。当在特征空间中构造最优超平面时，训练算法仅使用空间中的点积，即，而没有单独的出现。因此，如果能够找到个函数，使得，这样，在高维特征空间中实际上只需进行内积运算，而这种内积运算是可以用输入空间中的些特殊函数实现的。这些特殊的函数就称之为核函数。因此，在最优分类超平面中采用适当的核函数，就可以实现非线性变换后的线性分类。核函数的思想是把原本应该在高维特征空间中的计算，通过核函数在输入空间中即可完成，这样就无须知道高维变换的显式公式，况且高维变换公式般是无法得到的。同时，核函数的引入解决了高维数带来的麻烦。对给定的函数高维特征空间中的内积可以用输入空间中的函数,来表示的充要条件是对于任意给定的函数这样,就对应了特征空间中的个内积。的应用是用，等多种语言实现的开源软件包，其特点是可以解决分类问题回归问题以及分布估计等问题，提供了线性多项式径向基和函数。
参考资料：
1、该文档不包含其他附件(如表格、图纸)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
基于手势识别的幻灯片控制系统的设计