一种新的人工智能技术-支持向量机.pdf

目 录 摘要 2 关键词 2 第一章 绪论 2 1.1 统计学习理论和支持向量机概述 2 1.2 国内外研究状况及发展趋势 4 1.3 课题研究目的及意义 4 第二章 统计学习理论基础 5 2.1 机器学习概述 5 2.2 机器学习基本问题 5 2.3 经验风险最小化 6 2.4 学习过程的一致性条件 6 2.5 VC 维理论 6 2.6 推广性的界 7 2.7 结构风险最小化 7 第三章 支持向量机 8 3.1 SVM 的基本思想 8 3.1.1 最优超平面的概念 8 3.1.2 线性可分情况下的最优超平面的构建 9 3.1.2 线性不可分的情况最优超平面的构建 11 3.2 SVM 分类问题的基本理论 12 3.3 回归估计问题的基本理论 12 3.3.1 线性回归函数估计 13 3.3.2 非线性回归函数估计 15 3.4 支持向量机的训练算法 15 3.4.1 标准的SVM 算法 15 3.4.2 改进的SVM 算法 16 3.5 用于回归估计的支持向量机新方法 17 3.5.1 V-SVM 算法 17 3.5.2 LS-SVM 算法 18 3.5.3 回归加权型支持向量机（W-SVM）算法 19 3.5.4 基于线性规划的SVM 19 第四章 支持向量机的应用实例：电磁逆散射问题 20 4.1 电磁逆散射问题概述 20 4.2 电磁逆散射常规算法概述 20 4.3 电磁逆散射问题的模型 21 4.4 介质电磁参数重构 21 第五章 全文总结 23 致谢 24 参考文献 24 一种新的人工智能技术-支持向量机 摘要：支持向量机(SVM)是20世纪90年代在统汁学习理论基础发展起来的一种机器学习 方法，较好地解决了小样本学习问题。由于其出色的学习性能，该技术已成为当前国际机器 学习界的研究热点，在模式识别、回归估计、函数逼近等领域有了广泛的应用。本文旨在介 绍SVM的基本思想、训练算法、特点及其研究发展现状。 本文介绍了统计学习理论基础知识，引出支持向量机方法，并讨论其基本原理和训练算 法，尤其是用于回归估计的支持向量机方法。V-SVM、最小二乘法、加权SVM、线性SVM 等支持向量机的新方法，降低训练时间和减少计算时间复杂性的块算法、分解法、SMO 及 增量学习算法。最后研究了支持向量机在电磁逆散射问题上的应用。 Abstract：Support vector machine （SVM ）is one new machine learning method which developped in 1990s and based on statistical leaming theory ，it can solve small-sample learning problems better. It has become the focus in international machine learning research because of its excellent learning performance，and it has been used in involving pattern recognition ， regression estimation and function approximation widely.This article mainly discusses its basic ideas of SVM and the SVM training algorithm and their major characteristics and some current research t rends. The Statistical Learning Theory （SLT）is introduced first，This text has expounded the basic principle and thought and training algorithm of Support Vector Machine ，especially for Support Vector Machines （SVM ）for regression .In p