原创 SVM(支持向量机)目标跟踪应用

        支持向量机(SVM) 是以统计学习理论为基础、结构风险最小化为目标而发展起来的一种新的机器学习方法。它能够提高学习机的泛化能力,即最小化样本点误差的同时缩小模型泛化误差的上界,从而获得良好的推广能力。

        SVM 主要用于模式识别、函数估计和概率密度分析。支持向量机除了可以用来分类外,还可以用来做函数估计,也就是支持向量回归SVR ( Support Vector Regression ,简称SVR)。将支持向量回归应用到时间序列预测方面,并且取得了一定突破,如电力价格的预测、交通流的时间序列分析等。用SVR 对机动目标的运动轨迹进行了分析和预测。，它会根据样本分布，自动估计出最佳拟合函数。通过采用不同的核函数，SVM 对同样的样本集可以估计出满足不同需要的函数。由于这两项优势，使得SVM 在运动目标的轨迹估计和红外目标跟踪中有较好的应用前景。