论文部分内容阅读
支持向量机是一种在统计学习理论基础上发展起来的新型的机器学习方法。在解决小样本问题、高维问题和局部极值的问题时表现出了十分优良的特性,另外,支持向量机还具有十分简单的结构,这两点决定了支持向量机在人工智能领域的特殊性,且适于应用在故障诊断领域。由于支持向量机的训练样本具有冗余性,有些训练样本距离分类面很远,并且还不会对分类结果产生很大的影响,这些样本是可以剔除的。另外,支持向量机的参数选择对分类结果也会有影响,因此本文以减少支持向量机训练时间,提高分类器准确率为出发点,对支持向量机训练样本