论文部分内容阅读
本文第一章介绍了支持向量机的产生背景以及研究现状:间隔最大化概念的提出和完善，支持向量网的提出，支持向量机的完善与发展。第二章介绍了线性支持向量机通过间隔最大化以及拉格朗日对偶化，将原问题转化为凸二次规划问题。而且凸优化问题具有不会陷入局部最优解的优点，从而学习一个线性的分类器;更进一步引入核函数的概念，我们可以通过核函数将输入空间映射到高维特征空间中且相应的计算在原空间中进行。理论上通过足够高维的、合适的非线性映射，两个类的数据总可以被超平面完全分隔开，从而得到一个非线性的分类器。第三章进一步总结并介绍了经典支持向量机以及其对偶问题的若干推广形式。第四章通过数字识别实验，分析并研究了支持向量机模型参数的变化对算法支持向量数、训练误差、泛化误差的影响。