支持向量机理论方法和应用研究.pdfVIP

支持向量机理论、方法和应用研究 * 摘 要 传统的统计学研究的是样本无穷大时的渐进理论。然而在实际的问题中，样本数 往往是有限的。现有的基于传统统计学的学习方法在有限样本的情况下难以取得理想 的效果。统计学习理论是在有限样本情况下新建立起来的统计学理论体系。统计学习 理论为人们系统地研究小样本情况下机器学习问题提供了有力的理论基础。支持向量 机是在该理论体系下产生的一种新的、非常有力的机器学习新方法。它较好地解决了 以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题， 具有很强的泛化能力。 目前，统计学习理论和支持向量机作为小样本学习的最佳理论， 开始受到越来越广泛的重视，正在成为人工智能和机器学习领域新的研究热点。 本文从支持向量机理论、方法和应用相结合的角度出发，在支持向量机算法、模 型选择和应用等方面进行了系统地研究，本文的主要工作和贡献包括以下内容： 1．重点研究了支持向量机估计算法。分析了贝叶斯框架下基于数据的机器学习问 题。结合非线性支持向量机估计算法，提出了贝叶斯框架下的标准支持向量机估计算 法和最小二乘支持向量机估计算法，在贝叶斯框架下进行支持向量机估计算法的参数 调整和最优模型选择。