本文源自馬來西亞Universiti Teknologi的計算機科學學者的一項研究，他們使用ML進行虹膜位置分類。他們應用SVM的特定ML算法對虹膜位置進行分類，然後將算法結果與根據視覺、聽覺和動覺（VAK）學習標準索引的人格特征相匹配。

　　使用神經語言程序設計

　　在心理學中，有許多理論和方法可以評估人類行為或個性，具體而言，這取決於許多因素，如年齡、情緒平衡和身體健康等。在研究中選擇NLP的原因是它在正確建立行為因素方面的有效性。NLP擅長分析個人的學習風格分析行為。它依賴於三個關鍵因素-神經學、語言和編程。神經學部分指的是人體的實際心理系統，而語言和程序設計部分分別包括與其他人的交流方面和對世界的感知。簡單來說，它是語言對身心，身體和行為的影響。

　　NLP與另一種稱為視覺，聽覺和動覺（VAK）理論的人格理論相結合，該理論在心理學得到了廣泛的應用。事實證明，VAK能夠最有效地展示個人的學習風格。作為該研究的一部分，眼睛的虹膜位置作為預測人類行為的視覺線索。此外，這些虹膜圖像將是使用SVM進行圖像分類的關鍵。

　　用SVM分析

　　眼睛圖像，特別是虹膜圖像，形成了本研究的數據。在這些圖像上使用SVM來分類虹膜位置。下圖顯示了研究中遵循的研究方法：

　　從上面的圖片可以看出，一旦從用戶收集數據（眼睛的圖像），就使用圖形用戶界面（GUI）對它們進行圖像預處理。為此，圖像要求9,000像素，以實現SVM分類的最佳性能。為了從圖像中提取特征，使用圖像處理中的直方圖均衡。此外，Sobel邊緣檢測用於檢測眼睛邊緣以及形態過濾和二值化。所有這些功能都保存為文本文件，並設置為進行培訓和測試。MATLAB是用於實現該算法的軟件環境，其內核是SVM中的Standard Gaussian Kernal（SGK,在MATLAB中稱為徑向基函數）。

　　算法的準確性

　　對該研究中五個標準虹膜位置進行了測試和培訓：

　　1.左上

　　2.右上

　　3.中間

　　4.中偏右

　　5.中偏左

　　樣本數據是215個眼睛圖像。當使用SVM檢查樣本的準確性時，發現在檢測這些位置時大約80％準確（用於訓練），誤差約為20％（在測試中）。這個因素將有助於快速匹配VAK理論（圖中提到）的行為。選擇徑向基函數的邏輯是實現更高的精度。

　　結論

　　這項研究只是機器學習技術中的滄海一粟。分類本身有很多方法，例如反向傳播，k-最近鄰和感知器等。這方面的進展是巨大的。在早些年，虹膜檢測僅用於安全系統中以進行身份驗證。但在如今，它在多方面得到了應用，ML和人工智能應用依賴於虹膜和其他相關的面部特征來實現自動化。最終，它將具有實際實施功能的應用生成，為ML提供了豐富的成果。

Support Vector Machines（SVM）如何根據虹膜分類評估性格類別？