支持向量機(SVM)算法的進一步研究.pdf

1、支持向量機(SVM)是近年來的研究熱點，有著統(tǒng)計學(xué)習(xí)理論的堅實基礎(chǔ)，特別適用于高維、小樣本、非線性等模式識別問題，并可推廣應(yīng)用于傳統(tǒng)的函數(shù)擬合等問題。
　　 本文首先簡略地分析了支持向量機和Fisher鑒別分析的基本理論，包括支持向量分類機(SVC)算法，支持向量回歸機(SVR)算法，線性Fisher鑒別分析(FDA)與核Fisher鑒別分析(KFDA)算法。
　　 然后，提出關(guān)于支持向量機訓(xùn)練樣本的投影點約減策略，該策

2、略運用Fisher鑒別分析方法可快速地剔除大量的非支持向量，用余下樣本構(gòu)建SVM的新訓(xùn)練樣本集。仿真實驗表明，該算法能在縮減較大規(guī)模的樣本的同時，保證分類的精度與算法效率。
　　 由于在回歸函數(shù)擬合算法中的訓(xùn)練樣本存在著噪音和孤立點的情形，用傳統(tǒng)的方法進行函數(shù)擬合的效果不佳?？紤]到不同特征對于回歸問題相關(guān)程度的有所不同，本文研究了以灰色關(guān)聯(lián)度作為權(quán)重的特征加權(quán)支持向量回歸機算法，并推廣運用于二維函數(shù)的回歸擬合，仿真結(jié)果表明灰色特