支持向量机和支持向量域描述的多少问题研究.pdfVIP

摘要 摘要 Vector 支持向量机(SupportMachine，SVM)是基于统计学习理论提出的一种 新型有监督模式识别方法．采用结构风险最小化原则，SVM在最大化分类间隔 和最小化分类误差之间取得折衷，以控制分类器的泛化能力．SVM较好地解决 了小样本、高维数及非线性等实际问题，具有拟合精度高、选择参数少、推广能 力强和全局最优等特点．SVM成为机器学习领域新的研究热点，并被广泛应用 到模式识别、函数拟合和密度估计等领域．本文针对大规模样本集的SⅧ训练 Vector 问题、SVM的集成学习问题、变形SVM问题、支持向量域描述(Support Domain Description，SVDD)的快速训练问题等进行研究，主要研究工作如下： 1．研究了大规模样本集的SvM训练算法．SVM在训练大规模样本集时面临 着占用内存多、计算代价大的问题，这也成为实际应用的瓶颈问题．基于弗行学 习中“分而治之”的理念和“支持向量与全体训练样本等价”的结论，提出一