武汉工业学院学生开题报告(2).docVIP

武汉工业学院 毕业设计（论文）开题报告 201 2 届 毕业设计(论文)题目支持向量机的分析与研究 院（系） 机 械 学 院 专业名称 过程装备与控制工程 学生姓名 姚 骥 学生学号 080304122 指导教师 张 开 松 武汉工业学院毕业设计学生开题报告 课题名称 支持向量机的分析与研究 课题类型 论文 课题来源 横向 导师 张开松 学生姓名 姚骥 学号 080304122 专业 过程装备与控制工程 对论文课题的认识 支持向量机 支持向量机SVM（Support Vector Machine）是一种基于统计学习理论的模式识别方法，该算法主要的目标是找到一个超平面，使得它能够尽可能多的将两类数据点正确的分开，同时使分开的两类数据点距离分类面最远。具体的解决方法为构造一个在约束条件下的优化问题，具体的说是一个受限二次规划问题(constrained quadraticprograming),求解该问题，得到分类器。它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。 SVM方法是一种具有严密理论基础的计算机学习的新方法，它已经成为计算机学习、模式识别、计算智能、预测预报等领域的热点技术。 发展趋势： 支持向量机SVM方法具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点，已经成为目前国际、国内研究的热点。当前对SVM的研究方兴未艾，训练算法的研究方向主要是确定不同的优化目标, 根据KKT 约束优化条件寻找大规模训练样本下的实用算法；应用方向主要是为模式识别时的多类问题寻找好的算法和解决训练样本规模和训练速度之间的矛盾、解决支持向量树木和分类速度之间的矛盾。在此基础上进行进一步的机理分析和试验分析，探索和拓宽SVM新的应用领域，使其成为更有发展前途的新技术。 支持向量机的基本原理 SVM方法的基本是：定义最优线性超平面，并把寻找最优线性超平面的算法归结为求解一个凸规划问题。进而基于Mercer核展开定理，通过非线性映射φ，把样本空间映射到一个高维乃至于无穷维的特征空间（Hilbert空间），使在特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性分类和回归等问题。简单地说就是升维和线性化。升维，即是把样本向高维空间做映射，一般只会增加计算的复杂性，甚至会引起“维数灾”，因而人们很少问津。但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间却可以通过一个线性超平面实现线性划分（或回归）。SVM的线性化是在变换后的高维空间中应用解线性问题的方法来进行计算。在高维特征空间中得到的是问题的线性解，但与之相对应的却是原来样本空间中问题的非线性解。一般的升维都会带来计算的复杂化。SVM方法巧妙地解决了这两个难题：由于应用了核函数的展开定理，所以根本不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾”。这一切要归功于核的展开和计算理论。因此人们又称SVM方法为基于核的一种方法。核方法研究是比SVM更为广泛和深刻的研究领域。 1）支持向量机在理论上，核函数及参数的构造和选择缺乏理论指导； 2）作为支持向量机基础的原始问题解和对偶 问题解的关系上，当前研究存在逻辑缺陷； 3）在部分情况下，支持向量机无法利用现有的公式计算决策函数的阈值； 4）支持向量机中一类重要的变形方法，虽然有效，但缺乏相应的统计学习理论基础； 5）LS-SVM 将 SVM 的求解从 QP 问题向线性 方程组的成功转化极大地提高了 SVM 的求解效率，也降低了 SVM 的学习难度，极大地促进了 SVM 的应用。但 LS-SVM 同时也丧失SVM 的稀疏性与鲁棒性。 支持向量机的应用 目前支持向量机在如下几个方面获得较为成功的应用。 (1)生物信息学 生物信息学是近来特别受人关注的一门新学科, SVM在该领域已经获得重要成果,并有着十分广阔的应用前景。人类的遗传功能是由核酸承担的,核酸分为 脱氧核糖核酸(DNA)和核糖核酸(RNA)两大类,它们由核苷酸、戊糖以及磷酸构成。DNA分子上的4种核苷酸A,G, C,T的排列组合顺序蕴含了丰富的遗传信息,其中每3个相邻的核苷酸包含一个遗传密码。基因就是指染色体所运载的DNA双螺旋链