论文部分内容阅读
Vapnik等人提出的统计学习理论是一种专门的小样本理论，它避免了以往机器学习方法的网络结构难于确定，过学习和欠学习以及局部极小等问题。这一方法理论基础坚实，由此提出的支持向量机(support vectormachine，SVM)，为解决非线性问题，提供了一种新的思路。
本文第一、二章阐述了机器学习和统计学习的有关概念；第三章重点研究了支持向量机的概念以及实现思想，研究了支持向量机方法，给出了最优超平面的概念，并且分析了支持向量机的优势及其局限性；第四章着重阐述了核函数方法，它是推广基本的支持向量机的关键，也是通过线性问题求解非线性问题的基础。在这一章中重点介绍了两种核函数：多项式核函数和Gauss核函数，分别对这两种函数的性能进行分析。给出了核的构造方法的理论基础。文章的最后，给出了一个试验，说明了非线性问题的支持向量机分类方法。