若干改進的支持向量分類機.pdf

1、支持向量機（SVM）是九十年代中期發(fā)展起來的新的機器學習技術(shù)，與傳統(tǒng)的神經(jīng)網(wǎng)絡（NN）技術(shù)不同，NN是以傳統(tǒng)統(tǒng)計學習理論為基礎(chǔ)，SVM是以現(xiàn)代統(tǒng)計學習理論（SLT）為基礎(chǔ)。傳統(tǒng)統(tǒng)計學的前提是要有足夠多的樣本，它為機器學習問題建立了一個很好的理論框架；現(xiàn)代統(tǒng)計學習理論是一種小樣本理論，具有更強的實用性。實踐表明，建立在SLT之上的支持向量機不僅結(jié)構(gòu)簡單，而且技術(shù)性能尤其是推廣能力明顯提高，能夠很好地解決現(xiàn)實中大量的小樣本學習問題，而利用核

2、函數(shù)又能將線性方法推廣至對非線性情形。目前，SVM已成為國際上機器學習領(lǐng)域新的研究熱點。 本文提出了若干算法對支持向量機（SVM）加以改進。主要工作包括以下四個方面：一是對支持向量機理論基礎(chǔ)――學習問題進行了簡介，尤其是對Vapnik等人的統(tǒng)計學習理論（SLT）結(jié)合分類學習問題作了比較系統(tǒng)的闡述；二是對模式分類中的近似線性可分問題提出了一種新的近似線性支持向量機（SVM），并從理論和實證分析兩個方面將該方法與線性可分SVM及已有