武汉工业学院毕业设计学生开题报告.doc

武汉工业学院
毕业设计(论文)开题报告
201 2 届
毕业设计(论文)题目支持向量机的分析与研究
院(系) 机械学院
专业名称过程装备与控制工程
学生姓名姚骥
学生学号
指导教师张开松
武汉工业学院毕业设计学生开题报告
课题名称
支持向量机的分析与研究
课题类型
论文
课题来源
横向
导师
张开松
学生姓名
姚骥
学号
专业
过程装备与控制工程
对论文课题的认识
支持向量机
支持向量机SVM(Support Vector Machine)是一种基于统计学习理论的模式识别方法,该算法主要的目标是找到一个超平面,使得它能够尽可能多的将两类数据点正确的分开,同时使分开的两类数据点距离分类面最远。具体的解决方法为构造一个在约束条件下的优化问题,具体的说是一个受限二次规划问题(constrained quadraticprograming),求解该问题,得到分类器。它在解决小样本、非线性及高维模式识别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。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力(或称泛化能力)。 SVM方法是一种具有严密理论基础的计算机学习的新方法,它已经成为计算机学习、模式识别、计算智能、预测预报等领域的热点技术。
支持向量机发展现状及趋势
支持向量机是在统计学习理论基础上发展起来的一种新机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点,在模式识别、回归估计、函数逼近等领域有了广泛的应用。支持向量机算法一经提出,就得到国内外学者的高度关注。学术界普遍认为它是继神经网络之后的一个新的研究方向。在短短的几年里,取得了一系列令人瞩目的研究成果。虽然支持向量机发展时间很短,但是由于它的产生是基于统计学习理论的,因此具有坚实的理论基础。近几年涌现出的大量理论研究成果,更为其应用研究奠定了坚实基础。
虽然SVM 方法在理论上具有很突出的优势, 但与其理论研究相比,应用研究尚相对比较滞后, 到目前,SVM已用于数据分类、回归估计、,在模式识别方面最突出的应用研究是贝尔实验室对美国邮政手写数字库进行的实验, 说明了SVM方法较传统方法有明显的优势, 同时也得到了不同的SVM 方法可以得到性能相近的结果.
发展趋势:
支持向量机SVM方法具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点,已经成为目前国际、国内研究的热点。当前对SVM的研究方兴未艾,训练算法的研究方向主要是确定不同的优化目标, 根据KKT 约束优化条件寻找大规模训练样本下的实用算法;应用方向主要是为模式识别时的多类问题寻找好的算法和解决训练样本规模和训练速度之间的矛盾、解决支持向量树木和分类速度之间的矛盾。在此基础上进行进一步的机理分析和试验分析,探索和拓宽SVM新的应用领域,使其成为更有发展前途的新技术。
支持向量机的基本原理
SVM方法的基本原理是:定义最优线性超平面,并把寻找最优线性超平面的算法归结为求解一个凸规划问题。进而基于