武汉工业学院毕业设计学生开题报告

《武汉工业学院毕业设计学生开题报告》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、武汉工业学院毕业设计（论文）开题报告2012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080304122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080304122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（SupportVectorMachine）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

2、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(constrainedquadraticprograming),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

3、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,

4、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、函数逼近等领域.应用最为广泛的当属模式识别领域，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

5、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Mercer核展开定理，通过非线性映射φ，把样本空间映射到一个高维乃至于无穷维的特征空间（Hilbert空间），使在特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性分类和回归等问题。简单地说就是升维和线性化。升维，即是把样本向高维空间做映射，一般只会增加计算的复

6、杂性，甚至会引起“维数灾”，因而人们很少问津。但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间却可以通过一个线性超平面实现线性划分（或回归）。SVM的线性化是在变换后的高维空间中应用解线性问题的方法来进行计算。在高维特征空间中得到的是问题的线性解，但与之相对应的却是原来样本空间中问题的非线性解。一般的升维都会带来计算的复杂化。SVM方法巧妙地解决了这两个难题：由于应用了核函数的展开定理，所以根本不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立线性学习机，所以与线性模型相比不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾”。这

7、一切要归功于核的展开和计算理论。因此人们又称SVM方法为基于核的一种方法。核方法研究是比SVM更为广泛和深刻的研究领域。支持向量机现在存在的问题支持向量机自出现以来，理论上的研究飞速发展，应用领域越来越广泛。但与理论研究相比较，应用研究相对比较滞后。相比之下，分类问题的研究较为成熟，其他方面如时间序列分析，回归，聚类等方面的研究，还有待进一步地完善。虽然到目前已经提出了多种训练算法，却依然存在一些问题亟待解决。1）支持向量机在理论上，核函数及参数的构造和选