支持向量機(jī)在編組站識(shí)別中的研究.pdf

1、支持向量機(jī)(Support Vector Machines,簡(jiǎn)稱SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的一種新的通用學(xué)習(xí)方法,它已初步表現(xiàn)出很多優(yōu)于已有方法的性能.由于采用了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則代替經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則,使得較好的解決了小樣本學(xué)習(xí)的問題;又由于采用了核函數(shù)思想,使它把非線性空間的問題轉(zhuǎn)換到線性空間,降低了算法的復(fù)雜度.正是因?yàn)槠渫陚涞睦碚摶A(chǔ)和出色的學(xué)習(xí)性能,該技術(shù)已成為機(jī)器學(xué)習(xí)界的研究熱點(diǎn),并在很多領(lǐng)域都得到了成功的應(yīng)用

2、,如人臉檢測(cè)、手寫體數(shù)字識(shí)別、文本自動(dòng)分類等.但是作為一種新興技術(shù),SVM在很多應(yīng)用領(lǐng)域的研究還有待探索和完善.例如:核函數(shù)和參數(shù)的選擇缺乏理論指導(dǎo)、缺乏容噪性能、訓(xùn)練算法的完善、不支持增量學(xué)習(xí)、缺乏和先驗(yàn)知識(shí)的整合能力等等.這些問題的存在,使得SVM在很多領(lǐng)域的應(yīng)用受到了很大限制.該文工作包括:(1)優(yōu)化算法的理論基礎(chǔ)和訓(xùn)練算法的本質(zhì)SVM訓(xùn)練的本質(zhì)是解決一個(gè)二次規(guī)劃(Quadratic Programming,簡(jiǎn)稱QP)問題.該文通