支持向量机原理及展望

被引：136

作者：

陈冰梅 ^{[1
,2
]}

樊晓平 ^{[1
]}

周志明 ^{[3
]}

李雪荣 ^{[2
]}

机构：

[1] 中南大学信息科学与工程学院

[2] 中南大学湘雅二医院

[3] 长沙环境保护职业技术学院

来源：

制造业自动化 | 2010年 / 32卷 / 14期

关键词：

支持向量机; 神经网络; 分类器; 核函数;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。该方法不但算法简单,而且具有较好的"鲁棒"性,与神经网络相比,它的优点是训练算法中不存在局部极小值问题,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中,现在已经在许多领域取得了成功的应用。

引用

页码：136 / 138

页数：3

共 5 条

[1]

SUPPORT-VECTOR NETWORKS [J].