第五章 神经网络规划学习方法.ppt

支持向量机及其学习算法 主讲:赵姝 zhaoshuzs@163.com 安徽大学计算机科学与技术学院 主要内容 支持向量机 支持向量机的分类学习算法 用于函数拟合的支持向量机 支持向量机算法的研究与应用 仿真实例 传统统计学是一种渐进理论，研究的是样本数目趋于无穷大时的极限特性。 现有的学习方法多基于传统统计学理论，但在实际应用中，样本往往是有限的，因此一些理论上很优秀的学习方法在实际中的表现却不尽人意，存在着一些难以克服的问题，比如说如何确定网络结构的问题、过学习问题、局部极小值问题等，从本质上来说就是因为理论上需要无穷样本与实际中样本有限的矛盾造成的。 与传统统计学的方向不同，Vapnik等人提出了一个较完善的基于有限样本的理论体系－－统计学习理论。 统计学习理论是又一种通用的前馈神经网络，同样可用于解决模式分类和非线性映射问题。 支持向量机方法是在统计学习理论基础上发展起来的通用学习方法，它具有全局优化、适应性强、理论完备、泛化性能好等优点 。 支持向量机（Support Vector Machine，SVM） 90年代中期，在统计学习理论的基础上发展出了一种通用的学习方法－－支持向量机。它根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以获得最好的泛化能力。 支持向量机在很多机器学习问题的应用中已初步表现出很多优于已有方法的性能。 支持向量机的