毕业论文-支持向量机及简单应用摘要.docVIP

山 东 科 技 大 学 本科毕业设计（论文） 题 目 支持向量机算法研究及应用 学 院 名 称 数学与系统科学学院 专业班级 信息与计算科学11级2班 学生姓名 李潇 学 号 201101051409 指 导 教 师 段华 摘要 支持向量机(Support Vector Machine,常简称为SVM)是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。它借助最优化方法解决数据挖掘中的若干问题，并在文本分类、生物信息、语音识别、遥感图像分析、故障识别和预测、时间序列预测、信息安全等诸多领域有了成功的应用。支持向量机不仅有着统计学习理论（statistical learning theory, STL)的坚实理论基础，而且具有最直观的几何解释和完美的数学形式。 主要内容如下：第二部分为最优化基础，着重于凸规划介绍，添加了引领最优化方法应用研究的锥规划，以及Hilbert 空间中的凸规划理论。第三第四部分则分别对线性分类问题和线性回归问题直观的导出最基本的线性支持向量机。第五部分介绍核的基本概念，并在此基础上介绍求解一般的分类问题和回归问题的支持向量机.最后一部分为实践部分，通过SVM解决二维空间上的三级分类问题，我们考虑卡迪尔平面内的点与线，而不是高维的向量与超平面。 这一简化是为了让我们以更加直觉的方式建立起对SVM概念的理解但是其基本的原理同样适用于更高维的样本分类情形。 关键词：最优化基础；线性分类；线性回归；核 Abstract Support vector machine (Support Vector Machine, often referred to as SVM) is a supervised learning method can be widely used statistical classification and regression. It takes advantage of the optimization method to solve several problems in data mining and text categorization, bioinformatics, speech recognition, remote sensing image analysis, fault identification and forecasting, time series forecasting, information security and many other areas have successfully applied. Support vector machine not only has statistical learning theory (statistical learning theory, STL) is a solid theoretical foundation, and has the most intuitive geometric interpretation and perfect mathematical form. The main contents are as follows: The second part is the most basic optimization, focusing on the convex programming introduced, adding a leading applied research methods to optimize the cone programming and convex programming Hilbert space theory. Part of the third and fourth, respectively, linear classification problems and linear regression intuitive export basic linear support vector machine. Part V describes the basic concepts of nuclear and on this basis, introduced to solve the general problem of classification and regression support vector machine. The last part is the