支持向量机的算法及应用综述

被引：29

作者：

张松兰

机构：

[1] 芜湖职业技术学院电气工程学院

来源：

江苏理工学院学报 | 2016年 / 22卷 / 02期

关键词：

支持向量机; 统计学习理论; 训练算法;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

支持向量机(SVM)是在统计学习的VC维理论和结构风险最小化原理基础上建立起来的机器学习方法,其训练算法本质上是一个二次规划的求解问题。首先简述了SVM的基本原理,然后对SVM算法进行了概括,如块算法、分解算法,序列最小优化算法及最小二乘支持向量机、模糊支持向量机和粒度支持向量机等。接着介绍了支持向量机的应用,最后对该领域存在的问题和发展趋势进行了展望。

引用

收藏

页码：14 / 17+21 +21

页数：5

相关论文

共 18 条

[1] 支持向量机理论及算法研究综述 [J].

汪海燕 ;

黎建辉 ;

杨风雷 .

计算机应用研究, 2014, 31 (05) :1281-1286

[2] 支持向量机研究进展 [J].

顾亚祥 ;

丁世飞 .

计算机科学, 2011, 38 (02) :14-17

[3] 支持向量机理论与算法研究综述 [J].

丁世飞 ;

齐丙娟 ;

谭红艳 .

电子科技大学学报 , 2011, (01) :2-10

[4] 粒度支持向量机学习模型 [J].

王文剑 ;

郭虎升 .

山西大学学报(自然科学版), 2009, 32 (04) :535-540

[5] 一种基于关联规则的核粒度支持向量机 [J].

张文浩 ;

王文剑 .

广西师范大学学报(自然科学版), 2009, 27 (03) :89-92

[6] 基于模糊支持向量机的多分类算法研究 [J].

张钊 ;

费一楠 ;

宋麟 ;

王锁柱 .

计算机应用, 2008, (07) :1681-1683

[7] 基于TSVM的网络入侵检测研究 [J].

徐文龙 ;

姚立红 ;

潘理 ;

倪佑生 .

计算机工程, 2006, (18) :138-140

[8] 多类支持向量机算法综述 [J].

黄勇 ;

郑春颖 ;

宋忠虎 .

计算技术与自动化, 2005, (04) :61-63

[9] 支持向量机训练算法及其应用 [J].

王平 ;

毛剑琴 .

信息与电子工程, 2005, (04) :309-314

[10] 一种快速支持向量机增量学习算法 [J].

孔锐 ;

张冰 ;

不详 .

控制与决策 , 2005, (10) :1129-1132+1136