1、 毕业设计（论文）开题报告毕业设计（论文）开题报告 201 2 届届 毕业设计(论文)题目马达后罩模具设计与三维数控马达后罩模具设计与三维数控 加工设计加工设计 毕业设计学生开题报告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 导师 学生姓名 学号 专业 过程装备与控制工程 对论文对论文课题的认识课题的认识 支持向量机支持向量机 支持向量机 SVM（Support Vector Machine）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
2、决方法 为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 (constrained quadraticprograming),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
3、法，它已经成为计算机学习、模式识 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
4、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, 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
5、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。 支持向量机支持向量机的基本的基本原理原理 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 ，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
6、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现在存在的问题 支持向量机自出现以来，理论
