增量支持向量機回歸算法及其應用研究.pdf

1、支持向量機(SVM)是九十年代中期發(fā)展起來的新的機器學習技術，與傳統(tǒng)的神經網絡(NN)技術不同，SVM是以統(tǒng)計學習理論(SLT)為基礎，NN是以傳統(tǒng)統(tǒng)計學理論為基礎。傳統(tǒng)統(tǒng)計學的前提條件是要有足夠多的樣本，而統(tǒng)計學習理論是著重研究小樣本條件下的統(tǒng)計規(guī)律和學習方法的，它為機器學習問題建立了一個很好的理論框架。實踐表明，建立在(SLT)之上支持向量機不僅結構簡單，而且技術性能尤其是推廣能力明顯提高，能夠解決好大量實踐中的小樣本學習問題，它是

2、一個全新的人工智能技術。目前，SVM己成為國際上機器學習領域新的研究熱點。本文首次提出增量支持向量機算法的回歸模型，并對其進行應用研究。 論文的主要工作可歸納如下： 首先，第一章簡要介紹了機器學習的缺陷，而統(tǒng)計學習理論的發(fā)展，導致了支持向量機的誕生，分析了支持向量機與神經網絡的差異，并指出了研究和應用支持向量機的必要性和重要性以及現(xiàn)有支持向量機的研究成果和存在的不足，提出了本文的研究內容及目的和意義。第二章探討了支持向量

3、機理論基礎，對支持向量機的傳統(tǒng)模型進行了系統(tǒng)的闡述，為增量支持向量機的產生奠定了理論基礎。 其次，第三章對支持向量機的回歸進行了理論的推導和分析，并對損失函數(shù)進行了理論解釋，對核函數(shù)和高維空間映射進行闡述。第四章對內點算法和子集選擇算法進行了較為深入的闡述，為增量回歸算法的建立奠定基礎。 再次，為了進一步提高支持向量機的通用性以及推廣能力、應用能力、回歸速度等性能，第五章提出了增量支持向量機回歸算法，并且選擇了核函數(shù)的具