论文部分内容阅读
支持向量机是在统计学习理论基础上发展出来的一种新的、非常有效的机器学习方法。它较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题,具有很强的推广能力。目前,统计学习理论和支持向量机作为小样本学习的最佳理论,开始受到越来越广泛的重视,正在成为人工智能和机器学习领域新的研究热点。 支持向量机在模式识别、函数逼近、数据挖掘和文本自动分类中均有很好的应用。传统支持向量机是针对两类分类问题,而在实际应用中,如数据挖掘、文本分类等等,需要处理的数据是海量和多类别的。如何解决大规模多类别的问题,是近几年来研究的重点之一。 本文系统的介绍了支持向量机理论,及基于支持向量机理论的二值分类算法。全面总结了目前存在的基于支持向量机的多类别分类方法,包括“一对多”方法、“一对一”方法、动态规划方法、一次性求解方法、全局优化方法、决策树方法,比较了它们的优缺点及性能,并通过实验对其中几种常用的方法进行了验证与比较。将支持向量机算法与神经网络进行深入的比较研究,通过实验分析,从两者的学习能力、泛化能力、收敛速度以及最优解等各方面,比较了两种方法的不同特点,特别是支持向量机算法表现出来的优势。最后,研究最小二乘支持向量机多类分类算法,并把该算法应用到测井曲线的识别问题上,取得较好的应用效果。