支持向量機建模方法的研究.pdf

1、支持向量機是Vapnik教授領導的研究小組于上世紀末提出的一種機器學習的新方法，是統(tǒng)計學習理論的核心部分，是處理小樣本學習的有效工具。支持向量機作為統(tǒng)計學習理論的實現(xiàn)方法，能很好地解決非線性和高維數(shù)問題，克服了神經(jīng)網(wǎng)絡方法收斂慢、解不穩(wěn)定、推廣性差的缺點，近年來得到了廣泛地研究，在模式識別、信號處理、控制、通訊等方面得到了廣泛地應用。因此，研究支持向量機的理論和應用問題具有重要的理論與現(xiàn)實意義。
　　 回歸估計是支持向量機方法的

2、重要研究領域，本文以支持向量機理論為基礎，對回歸問題的方法進行了研究。全文共分六章，具體內容如下：
　　 1.介紹了機器學習領域中統(tǒng)計學習理論的基本思想和方法，進一步詳細說明了結構風險最小化原理，同時，對支持向量機的發(fā)展進行了概括性的總結；
　　 2.在深入分析支持向量機基本原理的基礎上，對目前的支持向量機的改進算法進行了總結，同時，將各種算法與傳統(tǒng)算法進行了比較；
　　 3.針對非線性建模問題，提出一種新的支持

3、向量機核函數(shù)構造方法，對高斯核函數(shù)在支持向量密集處擬合效果差的缺點進行了改進，仿真研究結果顯示，新方法可以一定程度上減少泛化誤差；
　　 4.提出了一種基于Fisher判別率的支持向量機回歸算法。該方法通過引入樣本內部相似程度的判別因子來減少樣本錯分幾率，理論分析與仿真實驗均驗證了算法的有效性5.提出了一種新的用于回歸的支持向量機增量算法。該算法與傳統(tǒng)算法相比，可以在滿足模型精度要求的基礎上，明顯地提高算法的計算速度。