支持向量机及其在函数逼近中的应用

被引：40

作者：

朱国强

刘士荣

俞金寿

机构：

[1] 宁波大学电气工程与自动化研究所

[2] 华东理工大学自动化研究所

来源：

关键词：

支持向量机; 统计学习理论; 结构风险最小化; 核函数; 函数逼近;

D O I：

10.14135/j.cnki.1006-3080.2002.05.023

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

支持向量机是一种新的机器学习算法 ,它的理论基础是 Vapnik创建的统计学习理论。它采用结构风险最小化准则 ,在最小化样本点误差的同时 ,缩小模型预测误差的上界 ,从而提高了模型的泛化能力。本文通过 SVM在函数逼近中的应用 ,研究了 SVM的小样本学习、泛化能力和抗噪声扰动能力。

引用

页码：555 / 559+568 +568

页数：6