支持向量算法的详细推导.pptVIP

8.3 支持向量机的学习算法 在能够选择变换φ (取决于设计者在这方面的知识)的情况下，用支持向量机进行求解的学习算法如下： (1)通过非线性变换φ将输入向量映射到高维特征空间; (2)在约束条件 下求解使目标函数 最大化的αop。 (3)计算最优权值 (4)对于待分类模式X，计算分类判别函数 根据f(x)为1或一1，决定X的类别归属。 若能选择一个内积核函数K(XP, X) ，可避免进行变换，此时用支持向量机进行求解的学习算法如下： (1)准备一组训练样本{(X1，d1)，(X2，d2)，…，(Xp，dp)，…(XP，dP)} (2)在约束条件 下求解使目标函数 最大化 的αop。 ，其中 K(XP, Xj) ，p,j=1,2,…,P可以看作是P×P对称矩阵K的第pj项元素； (3)计算最优权值 Y为隐层输出向量； (4)对于待分类模式X，计算分类判别函数 根据f(x)为1或-l，决定X的类别归属。 上面讨论的支持向量机只能解决二分类问题，目前没有一个统一的方法将其推广到多分类的情况。 支持向量机被用于径向基函数网络和多层感知器的设计中。 在径向基函数类型的支持向量机中，径向基函数的数量和它们的中心分别由支持向量数和支持向量的值决定，而传统RBF网络则依赖于经验知识。 在单隐层感知器类型的支持向量机中，隐节点的个数