论文部分内容阅读
SVM算法是一种新型的结构化机器学习算法,它是将分类问题和回归问题转化成为二次规划问题.这种转化的优点是:使分类更加精确,克服和神经网络诸多的缺点,如结构和权重的不确定笥.但是,也带来了计算量增大等缺点. 为了克服上述缺点,更好地发挥SVM的算法优势,对以下问题做了深入探讨:1.充分利用SVM的几何特征,进传统的预测学习算法,如:遗传算法[Fan2000a,Fan2000b].2.利用SVM算法中的理框架改进经典的模式识别理,如:模式识别中特征提取和特征选择的评价标准[Fan2000c].3.克服SVM算法中的理框架改进经典的模式识别理论,如:与粗集理论结合,形成一种优势互补的多类问题的组合分类器[Fan2000d,Fan2000e].4.进一步完善SVM算法,如:SVM非线性算法中核的选择方法.