支持向量机的算法研讨.pdfVIP

中文摘要 摘要 支持向量机(SVM)是20世纪90年代中期出现的机器学习技术，是近年来机器 学习领域的研究热点。这项技术从提出到现在不过十年时间，但其研究进展非常 之快之大。它有坚实的理论基础，应用上也是有口皆碑。这项既经得起理论推敲 又经得起实践检验的技术，是传统机器学习技术不能比的，它的发展潜力是令人 鼓舞的。本文着重研究了支持向量机的序列最小优化(SMO)算法。论文共分五部分。 第一部分是引言，概述了论文研究的背景，论文所要解决的问题。 第二部分首先阐述了统计学习理论的产生，然后描述了统计学习理论的概貌。 第三部分是支持向量机。支持向量机训练问题归结为求解一个最优化问题， 首先给出线性可分SVM的原始优化问题，并从三个方面研究了这个原始优化问题： 1)判断这个问题是凸二次规划问题；2)得出这个问题的对偶问题；3)求其KKT 条件，然后按照这个思想研究了线性不可分SVM和非线性SVM。最后给出SVM 的显著特征和重要思想及其SVM的应用。 第四部分详细分析了SMO算法。给出了SMO算法的推导过程以及每个子优 化问题每步两个优化变量的选择策略。