文档介绍：陆文聪1 ，陈念贻1 ，叶晨洲2，李国正2
（1 上海大学化学系计算机化学研究室，上海，200436）
（2 上海交通大学图象及模式识别研究所，上海，200030）
摘要 Vladimir N Vapnik等提出的统计学****理论（statistical learning theory，简称SLT）和支持向量机（support vector machine，简称SVM）算法已取得令人鼓舞的研究成果。本文旨在对这一新理论和新算法的原理作一介绍，并展望这一计算机学界的新成果在化学化工领域的应用前景。“ChemSVM”软件提供了通用的支持向量机算法，并将其与数据库、知识库、原子参数及其它数据挖掘方法有机地集成起来。
关键词 模式识别；支持向量机；支持向量分类；支持向量回归
中图分类号：O 06-04
Introduction to the Algorithm of Support Vector Machine and the Software ChemSVM
LU Wen-cong1, CHEN Nian-yi1, YE Chen-zhou2, LI Guo-zheng2
(1 Laboratory of Chemical Data Mining, Department of Chemistry, Shanghai University, Shanghai, 200436, China)
(2 Institute of Image and Pattern Recognition, Jiaotong University, Shanghai, 200030, China)
Abstracts: The great achievements have been approached in the development of statistical learning theory (STL) and support vector machine (SVM) as well as kernel techniques This paper aimed at introducing the principle of SLT and SVM algorithm and prospecting their applications in the fields of chemistry and chemical industry
Key Words: Statistical learning theory, Support vector machine, Support vector classification, Support vector regression
众所周知，统计模式识别、线性或非线性回归以及人工神经网络等方法是数据挖掘的有效工具，已随着计算机硬件和软件技术的发展得到了广泛的应用[1-4]，我们亦曾将若干数据挖掘方法用于材料设计和药物构效关系的研究[5-12]。
但多年来我们也受制于一个难题：传统的模式识别或人工神经网络方法都要求有较多的训练样本，而许多实际课题中已知样本较少。对于小样本集，训练结果最好的模型不一定是预报能力最好的模型。因此，如何从小样本集出发，得到预报（推广）能力较好的模型，遂成为模式识