支持向量机及半监督学习中多少问题的研究.pdfVIP

摘要 随着信息技术的飞速发展，在信息收集和处理的过程中，人们面临的各种数 据信息规模越来越大，构成也越来越复杂，这使得机器学习日益受到人们的关注， 成为目前研究的热点问题之一．由Vapnik提出的统计学习理论为机器学习问题提 供了理论基础，着重研究有限样本的统计规律及学习性质，使用结构风险最小化 原则，有效地提高了算法的推广能力．支持向量机是统计学习理论的最新发展， 它具有全局最优、适应性强、推广能力强以及解的稀疏性等优点，能较好地解决 小样本、非线性、过学习、维数灾难和局部极小等实际应用中的难题，是机器学 习领域的又一里程碑，从而广泛应用于模式识别、回归估计、函数逼近以及密度 估计等领城．近年来，受支持向量机的这些优势的启发，有学者提出了一些支持 向量机的推广算法，比如最小二乘支持向量机，中心支持向量机，超球支持向量 机(也称为支持向量域描述)，基于一个球的模式分类方法等，分别从不同的方面 对支持向量机进行了完善和补充．许多机器学习问题中，大量可获得的数据中仅 有一小部分容易获得类别标签，而另一相对大量的部分由于各种原因(不容易获得 类别标签或者获得标签的代价较大)而未能获得标签，同时利用这些样本(包括已 标签样本和未标签样本)进行学习的问题被称为半监督学习．本文主要研究