支持向量機模型和算法研究.pdf

1、隨著計算機和信息技術(shù)的快速發(fā)展，人們需要花費昂貴的代價收集、存儲和處理海量的數(shù)據(jù)。如何從中發(fā)現(xiàn)有用的信息，已經(jīng)成為一個迫切需要解決的問題，數(shù)據(jù)挖掘技術(shù)在這種背景下應(yīng)運而生。數(shù)據(jù)挖掘就是在數(shù)據(jù)庫中發(fā)現(xiàn)有用的、潛在的、最終可理解的模式的非平凡過程。它是一門交叉學科，涉及機器學習、數(shù)學規(guī)劃、數(shù)理統(tǒng)計、模式識別等相關(guān)技術(shù)。 數(shù)學規(guī)劃在機器學習、網(wǎng)絡(luò)問題、工程機械學等領(lǐng)域有著廣泛的應(yīng)用。其和數(shù)據(jù)挖掘技術(shù)的結(jié)合已使大規(guī)模和高復(fù)雜性的問題的解

2、決成為可能，并在特征提取、聚類和回歸等方面有很重要的應(yīng)用。支持向量機是數(shù)學規(guī)劃在數(shù)據(jù)挖掘領(lǐng)域的一個重要應(yīng)用，是由Vapnik等人根據(jù)統(tǒng)計學習理論提出的一種新的機器學習方法。 本文主要研究了支持向量機模型和算法中的幾個問題。首先對分類中分離錯誤最小化問題的模型進行分析。鑒于它的不可微性，提出利用極大熵函數(shù)將問題轉(zhuǎn)化成易于用現(xiàn)有優(yōu)化算法直接計算的形式，并通過算法實現(xiàn)得到了較好的逼近效果。 另外目前支持向量機模型性能研究主要集