局部支持向量機的研究.pdf

1、統(tǒng)計學習理論建立在結(jié)構(gòu)風險最小化原則的基礎上。與傳統(tǒng)統(tǒng)計學習理論相比，V.Vapnik等人提出的統(tǒng)計學習理論是一種針對小樣本情況研究統(tǒng)計學習規(guī)律的理論。與此同時，在這一理論基礎上發(fā)展起來的支持向量機可用于模式識別和回歸估計，因其具備理論完備化、全局優(yōu)化、推廣性好、適應性強等優(yōu)點而不同于其余機器學習算法，并且也有力地推動著機器學習理論和技術(shù)的發(fā)展。然而支持向量機全局化的方法并不蘊含一致性理論，局部支持向量機的提出符合了“全局一致性蘊含局部

2、性”的思路。近年來，局部支持向量機在理論研究及應用方面都得到了一定程度的關(guān)注，如遙感圖像分類、腦電圖信號處理、網(wǎng)絡流量預測等領(lǐng)域。
　　本文首先對機器學習和統(tǒng)計學習理論進行簡單的介紹，并在此基礎上引入支持向量機的特點及研究現(xiàn)狀。其次，闡述局部支持向量機的研究現(xiàn)狀及其意義，詳細介紹并說明局部支持向量機在學習性能上的特點和優(yōu)勢及其一些改進策略。最后，分析當前幾種局部支持向量機算法及其改進思路。主要研究內(nèi)容包括：⑴針對局部支持向量機在大