论文部分内容阅读
支持向量机是由Bell实验室的Vapnik等人提出的一种针对分类和回归问题的新型机器学习方法，是借助于最优化方法解决机器学习问题的新工具。支持向量机方法基于统计学习理论与结构风险最小化原理，具有良好的推广性和较高的准确率。它集成了最优分类超平面、核技巧、凸二次规划等多项技术，能有效地解决“过学习”、“维数灾难”和局部极小点等问题。由于出色的学习性能，支持向量机已经成为当前机器学习界的一个研究热点，并在很多领域得到了广泛的应用，包括模式识别、回归估计等方面。由于支持向量机方法最初是针对二类别的分类问题提出的，如何将二类别分类方法扩展到多类别分类是支持向量机研究的一个重要内容。本文主要做了以下几个方面的工作。
⑴介绍了机器学习、统计学习理论以及支持向量机的发展和研究现状.讨论了支持向量机的理论和算法，包括核函数理论等。总结了目前常用的基于支持向量机的多分类方法，包括一对多方法、一对一方法、决策二叉树方法，对比讨论了各种方法的优缺点。
⑵在平分最近点法和闭凸包收缩原理的基础上，提出了一种基于闭凸包收缩原理推广的多类分类方法，该方法在一定程度上能克服传统方法的一些不足。
⑶利用核方法的思想针对原始空间中非线性可分的多分类问题，基于上述闭凸包收缩原理构造了特征空间上的线性可分多分类算法，并通过仿真试验验证了该方法的有效性。