支持向量机理论及工程应用实例

1)支持向量机是基于结构风险最小化(SRM,structuralriskminimization)原则,保证学习机器具 有良好的泛化能力; 2)解决了算法复杂度与输入向量密切相关的问题; 3)通过引用核函数,将输入空间中的非线性问题映射到高维特征空间中在高维空间中构造线性函数判别; 4)支持向量机是以统计学理论为基础的,与传统统计学习理论不同.它主要是针对小样本情况,且最优解是基于有限的样本信息,而不是样本数趋于无穷大时的最优解; 5)算法可最终转化为凸优化问题,因而可保证算法的全局最优性,避免了神经网络无法解决的局部最小问题; 6)支持向量机有严格的理论和数学基础,避免了神经网络