文档介绍：毕业设计(论文)开题报告(全日制本科生)课题名称支持向量机实验模型研究与设计课题类别设计□论文□专业、班级计算机科学与技术02-7班学生苏涵沐学号20020810717指导教师钟清流二○○六年三月本课题设计(研究)的目的:支持向量机SVM(SupportVectorMachine)是一种基于统计学****理论的模式识别方法,该算法主要的目标是找到一个超平面,使得它能够尽可能多的将两类数据点正确的分开,同时使分开的两类数据点距离分类面最远。具体的解决方法为构造一个在约束条件下的优化问题,具体的说是一个受限二次规划问题(constrainedquadraticprograming),求解该问题,得到分类器。本课题设计目的是研究并提出相关的支持矢量机SVM的机器学****算法模型,基于matlab用程序仿真实现,并讨论,。设计(研究)现状和发展趋势:现状:支持向量机是在统计学****理论基础上发展起来的一种新机器学****方法,由于其出色的学****性能,该技术已成为当前国际机器学****界的研究热点,在模式识别、回归估计、函数逼近等领域有了广泛的应用。支持向量机算法一经提出,就得到国内外学者的高度关注。学术界普遍认为它是继神经网络之后的一个新的研究方向。在短短的几年里,取得了一系列令人瞩目的研究成果。虽然支持向量机发展时间很短,但是由于它的产生是基于统计学****理论的,因此具有坚实的理论基础。近几年涌现出的大量理论研究成果,更为其应用研究奠定了坚实基础。虽然SVM方法在理论上具有很突出的优势,但与其理论研究相比,应用研究尚相对比较滞后,到目前,SVM已用于数据分类、回归估计、,在模式识别方面最突出的应用研究是贝尔实验室对美国邮政手写数字库进行的实验,说明了SVM方法较传统方法有明显的优势,:支持向量机SVM方法具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点,已经成为目前国际、国内研究的热点。当前对SVM的研究方兴未艾,训练算法的研究方向主要是确定不同的优化目标,根据KKT约束优化条件寻找大规模训练样本下的实用算法;应用方向主要是为模式识别时的多类问题寻找好的算法和解决训练样本规模和训练速度之间的矛盾、解决支持向量树木和分类速度之间的矛盾。在此基础上进行进一步的机理分析和试验分析,探索和拓宽SVM新的应用领域,使其成为更有发展前途的新技术。三、设计(研究)的重点与难点,拟采用的途径(研究手段):重点:掌握支持向量机的基本思想,研究并提出相关的支持向量机的机器学****算法模型,并用程序仿真实现。难点:比较各模型的性能,并且具体应用于解决某些实际问题系统中加以检验。拟采用的途径(研究手段):基于matlab平台,研究实现SMO(SequentialMinimalOptimizer)训练算法和使用Linnear、Polynomial、RBF三种核函数实现分类器系统。使得用户可以这种算法和三种核函数中的任意一个,对数据集进行训练分类,显示分类结果。用户可以选择现有的数据集,也可以自己创建数据集进行训练。设计(研究)进度计划:1~4周:实****查找资料,并完成实****报告和英文文章的翻译;5~6周:查找资料,熟悉Matlab开发环境;7~10