SVM核參數(shù)優(yōu)化研究與應(yīng)用.pdf

1、支持向量機(SupportVectorMachine，SVM)由Vapnik于20世紀90年代初提出，是基于統(tǒng)計學(xué)習(xí)理論框架下提出的一種新型模式識別方法。SVM擅長解決樣本數(shù)量小、低維空間線性不可分類等問題，并且能夠應(yīng)用到函數(shù)擬合等其他機器學(xué)習(xí)中。SVM的分類性能主要取決于核函數(shù)以及相關(guān)參數(shù)的選擇上，不合適的參數(shù)將導(dǎo)致分類性能降低甚至無法對樣本進行分類。
　　目前關(guān)于SVM核函數(shù)及其參數(shù)的研究越來越多并且逐漸成熟，但還沒有形成一個

2、統(tǒng)一的核函數(shù)參數(shù)選擇方法。大多數(shù)情況下只能依靠經(jīng)驗或者對比實驗來設(shè)定參數(shù)，這也是SVM在實際應(yīng)用中的一個理論缺陷。鑒于此，本文主要的研究內(nèi)容就是SVM核函數(shù)參數(shù)的優(yōu)化方法及應(yīng)用。
　　本文主要討論了以下幾方面的內(nèi)容:
　　首先系統(tǒng)全面地介紹了SVM的基礎(chǔ)理論，包括統(tǒng)計學(xué)習(xí)理論、VC維理論、結(jié)構(gòu)風(fēng)險最小化原則等。
　　其次討論與分析幾種常用的SVM核函數(shù)參數(shù)選擇方法，包括網(wǎng)格搜索法、交叉驗證法以及當前熱門的群智能優(yōu)化算法