文档介绍：万方数据
狥����������������支持向量机研究进展����甌�������������������琓�������.口�寺�笠换タ贗��五·�����第�卷第����年��计算机科学顾亚祥�∈婪�。�泄�笠荡笱Ъ扑慊�蒲в爰际跹г�徐州�����泄�蒲г杭扑慵际跹芯克�悄苄畔⒋�碇氐闶笛槭�北京��������������纠砺�集合�澹甅���。⋯,��濉蔖.���.��?梢员怀������摘要基于统计学****理论的支持向量机��������,��以其优秀的学****能力受到广泛的关注。但传统支持向量机在处理大规模二次规划问题时会出现训练时间长、效率低下等问题。对��盗匪惴ǖ淖钚卵芯�成果进行了综述,对主要算法进行了比较深入的分析和比较,指出了各自的优点及其存在的问题。并且着重介绍了目前研究的新进展——模糊��土6萐�。接着论述了��饕5牧椒矫嬗τ谩!7掷嗪突毓椤W詈蟾�隽私�后��芯糠较虻脑ぜ��关键词支持向量机,训练算法,模糊支持向量机,粒度支持向量机中图法分类号���文献标识码����������支持向量机是���等人于��年首先提出的:¨,它是基于�维理论和结构风险最小化原则的学****机器。它在解决小样本、非线性和高维模式识别问题中表现出许多特有的优势,并在一定程度上克服了“维数灾难”和“过学****等传统困难,,。支持向量机的训练算法归结为求解一个受约束的�问题。对于小规模的��秢了十分优秀的学****能力.�当将其应用到大规模的�、算法复杂、效率低下等问题。现在主要的训练算法都是将原有大规模的��凇刻夥纸獬梢幌盗行〉腝�侍狻��是如何进行分解以及选择合适的�鹤骷�钦庑┧惴�媪俚闹饕�。另外一些算法主要是增加函数项,。目前研究的大规摸问题训练算法并不能够彻底解决所面临的问题。因此在原有算法上进行合理的改进或者研究新的训练算法势在必行。本文对主要的训练算法以及��┱�算法进行了综述。并在此基础上对未来研究的方向进行了展望。支持向量机最初是在模式识别中提出的。假定训练样本面����,则这个超平面称为最优超平面“。而��闹饕K枷胧峭ü�持质孪妊≡竦姆窍咝杂成浣��入向量.�成淞幸桓龈呶�卣骺瘴蔤,并在这个空间中构造最优超平面�。�5�侨绾吻蠼獾玫秸飧鲎钣懦�矫嬉约叭�何处理高维卒间中经常遇到的维数灾难问题�攵缘谝桓鑫���惴ü榻岢梢桓鯭�侍猓�⑶腋梦侍�的解由下面的拉格朗日函数的鞍点给出:�.����猣�������������.��������。�������畉�������������������,��������。�������產���,�������瑃������.�����現����珿����到穑日期:������敌奕掌冢����本文受江苏省自然科学基金项目��������易匀豢蒲Щ�鹣钅������手��顾亚祥����.、支持向量机.�猰��篻��������畂�.�;丁世飞����.