文档介绍：精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业
支持向量机与神经网络算法的对比分析
作者ng Theory，SLT）则着重提出了小样本情况下的统计规律和学****方法性质，发展出一种新的通用学****方法--支持向量机（Support vector machine，SVM）。当前关于支持向量机研究的热点主要是对支持向量机中算法的优化，包括解决SVM中二次规划求解问题，对大规模SVM的求解问题;另外就是如何提高SVM的归纳能力和分类速度以及根据具体问题确定核函数等。
精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业
        2 支持向量机
        支持向量机是一种基于统计学****理论的模式识别方法，主要应用于模式识别领域。20世纪末，由于研究不够完善，在解决模式识别问题中往往趋于保守，且数学知识匮乏，导致这些研究没有得到充分重视。直至统计学****理论（Statistical Learning Theory，SLT）的实现以及新兴机器学****方法如神经网络等研究遇到瓶颈，使得SVM迅速发展。
         SVM基于统计学理论的基础
        （1）对实际输入的结果输出标签时，风险可以用错误率进行表示。
        （2）VC维理论：一个假设空间的VC维，是该假设空间中可以解决分类问题的方程数目的度量。
        （3）SVM算法要求的样本相对比较少。
         支持向量机算法的基本原理
        SVM以结构风险最小化为理论基础，以寻找最优分割超平面进行建模，引入松弛变量和错误代价系数处理数据不可分和存在噪声的情况。这使其在训练样本有限的情况下能够有效避免过拟合问题，从而提高算法的泛化性能。
         最优分类超平面
        支持向量机中最简单也是最早提出的模型是最大间隔分类器。最初仅用于处理两类分类问题，核函数的引入使其具有构建非线性分类边界的能力。通过寻找一个分类超平面，能够使支持向量和超平面最小距离的最大。支持向量机通过对分类间隔最大化来控制泛化能力，将二维空间推广到高维空间，最优分割线就成为最优分类面，即最优超平面。
         核函数及其特征空间
        支持向量机中研究的两个关键因素分别是数学规划及核函数问题。通过引用核函数，将当前维度下线性不可分的训练数据映射到更高维度的特征空间，将问题转化为高维空间中线性可分问题，然后构建相应的分类超平面。
精选优质文档-----倾情为你奉上
精选优质文档-----倾情为你奉上
专心---专注---专业
专心---专注---专业
精选优质文档-----倾情为你奉上
专心---专注---专业
        核函数的选择一般考虑使用径向基函数。其关系到支持向量机的性能，只要参数选择合适，支持向量机可以对任意具有这一性质的数据集进行分类。
        3 SVM和神经网络对比分析
    