支持向量机中若干题目及应用研究.pdfVIP

摘要 统计学习理论为研究小样本情况下机器学习问题提供了有力的理论基础。它 使用结构风险最小化原则，综合了统计学习、机器学习和神经网络等方面技术， 在最小化经验风险的同时，有效地提高了算法泛化能力。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 良好的潜在应用价值和发展前景。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，受到越来越广泛的重视，成为人工智能和机器学习领域新的研 究热点。本文综述了支持向量机的研究现状，针对目前存在的几个问题：不平衡 VectorMachines 调整问题、大样本减样和除噪问题、两种支持向量算法目1]Support VectorDomain (或SVM)与Support 量的性能和应用问题以及SVDD算法在不确定型决策中的应用等问题进行研究。本 文的主要工作如下： 1．研究了不平衡支持向量机的调整方法。不平衡数据集的学习问题被公认为机器 学习领域的难题之一，其困难主要来