支持向量机(SVM)的研究进展

被引：40

作者：

李晓宇

张新峰

沈兰荪

机构：

[1] 北京工业大学信号与信息处理研究室

来源：

测控技术 | 2006年 / 05期

基金：

北京市自然科学基金;

关键词：

支持向量机; 二次型规划问题; 多类支持向量机; 模型选择;

D O I：

10.19708/j.ckjs.2006.05.003

中图分类号：

TP301 [理论、方法];

学科分类号：

081202 ;

摘要：

介绍了基于分解思想的支持向量机的训练算法,主要有两大类:块算法和固定工作样本集算法及其对应的快速算法SVM-light、SMO、BSVM和LIBSVM;介绍了支持向量机的变形算法、多类分类算法及模型选择问题;并且对近年来支持向量机在实际中的应用做了简要介绍,最后讨论了支持向量机亟待解决的问题并对其发展进行了展望。

引用

页码：7 / 12

页数：6

共 12 条

[1] 组合核函数支持向量机在水中目标识别中的应用 [J].

陆阳 ;

王海燕 ;

田娜 .

声学技术, 2005, (03) :144-147

[2] 基于模糊支持向量机和核方法的目标检测方法研究 [J].

马永军 ;

李孝忠 ;

王希雷 .

天津科技大学学报, 2005, (03) :29-32

[3] 基于支持向量机的渐进直推式分类学习算法 [J].

陈毅松 ;

汪国平 ;

董士海 .

软件学报, 2003, (03) :451-460

[4] 图像分析技术在舌诊客观化中的应用 [J].

沈兰荪 ;

王爱民 ;

卫保国 ;

王永刚 ;

赵忠旭 .

电子学报, 2001, (S1) :1762-1765

[5]

模糊超球支持向量机[J]. 张金泽,单甘霖.军械工程学院学报. 2005 (03)

[6]

支持向量机算法的研究及其应用[D]. 范昕炜.浙江大学. 2003

[7]

核函数的性质、方法及其在障碍检测中的应用[D]. 吴涛.中国人民解放军国防科学技术大学. 2003

[8]

复杂背景中的人脸检测与定位[D]. 吴艳冬.大连理工大学. 2002

[9]

中文文本自动分类的研究[D]. 孙丽华.哈尔滨工程大学. 2002

[10]

统计学习理论的本质[M]. 清华大学出版社 , (美)VladimirN.Vapnik著, 2000

← 1 2 →