支持向量机和分类问题的算法分析.pdfVIP

摘 要 支持向量机学习算法是本文的主要研究工作，它是建立在统计学习理论和数学规划 基础上的一种数据挖掘的新方法。数学规划是运筹学一个重要分支，在机器学习、网络 问题、博弈理论与经济学、工程机械学等领域有着广泛丽重要的应用，是国际上最活跃 的运筹学研究领域之一．分类是机器学习的常见问题之一。本文在近似支持向量机数学 模型，近似错误分离最小化模型和推导多类支持向量机对偶性理论这三方面作者分别有 所研究，取得的结果如下： 第2章给出了支持向量机的～个近似算法一乘子极大熵算法。此算法把支持向量机 对偶模型化为极大极小模型，然后再用乘子极大熵法来解决这个问题。这是一个集极大 熵法和乘子法两者优点于一身的算法，极大熵法把非光滑的问题变成了光滑的，乘子法 能在一定程度上减少迭代次数，并且可以避免海森阵病态的问题。支持向量机的乘子极 大熵算法对于小样本问题，特别是医学上癌前诊断问题有比较好的实验结果，文中的两 个例子表明该算法能较好的解决小样本的学习分类问题。 第3章是关于错误分离最小化的一个近似算法的。错误分离最小化是机器学习中很 常见的问题之一，本文给出了分离错误最小化数学模型的一个近似模型．在分离错误点 个数最小的数学模型中，用分片线性函数