若干改进的支撑向量分类机.pdfVIP

摘 要 支持向量机（SVM ）是九十年代中期发展起来的新的机器学习技术，与传统的 神经网络（NN ）技术不同，NN 是以传统统计学习理论为基础，SVM 是以现代统计 学习理论（SLT）为基础。传统统计学的前提是要有足够多的样本，它为机器学习问 题建立了一个很好的理论框架；现代统计学习理论是一种小样本理论，具有更强的 实用性。实践表明，建立在 SLT 之上的支持向量机不仅结构简单，而且技术性能尤 其是推广能力明显提高，能够很好地解决现实中大量的小样本学习问题，而利用核 函数又能将线性方法推广至对非线性情形。目前，SVM 已成为国际上机器学习领域 新的研究热点。 本文提出了若干算法对支持向量机（SVM）加以改进。主要工作包括以下四个 方面：一是对支持向量机理论基础? ? 学习问题进行了简介，尤其是对Vapnik 等人 的统计学习理论（SLT ）结合分类学习问题作了比较系统的阐述；二是对模式分类中 的近似线性可分问题提出了一种新的近似线性支持向量机（SVM），并从理论和实证 分析两个方面将该方法与线性可分SVM 及已有的近似线性可分SVM 进行了对比分 析，说明了该方法的优越性与合理性；三是对非均衡数目样本，通过增大或压缩两 类点所在的凸