1、統(tǒng)計(jì)學(xué)習(xí)理論建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上，它是專(zhuān)門(mén)針對(duì)小樣本情況下的機(jī)器學(xué)習(xí)問(wèn)題而建立的一套新的理論體系。基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)算法具有理論完備、全局優(yōu)化、適應(yīng)性強(qiáng)、推廣能力好等優(yōu)點(diǎn)，是機(jī)器學(xué)習(xí)研究的新熱點(diǎn)。它在最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)的同時(shí)，有效提高了算法的泛化能力，具有良好的應(yīng)用價(jià)值和發(fā)展前景。 本文首先系統(tǒng)研究了支持向量機(jī)的求解方法，討論了幾類(lèi)主要的改善支持向量機(jī)的方法：二次規(guī)劃求解方法，分解算法，增量算法以及集成多種技術(shù)的

2、分類(lèi)算法等。接下來(lái)對(duì)支持向量機(jī)算法和神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了全面的性能比較，通過(guò)仿真實(shí)驗(yàn)反映兩者的性能差異，詳細(xì)說(shuō)明了支持向量機(jī)在學(xué)習(xí)性能上的特點(diǎn)和優(yōu)勢(shì)。 此外，本文討論了支持向量機(jī)參數(shù)調(diào)整的各種方法，在構(gòu)造支持向量機(jī)的過(guò)程中，參數(shù)選擇是否合理，直接決定了學(xué)習(xí)機(jī)器的性能優(yōu)劣。本文中引入遺傳算法對(duì)支持向量機(jī)的核參數(shù)及誤差懲罰參數(shù)C 進(jìn)行優(yōu)化選擇，使支持向量機(jī)具有較好的分類(lèi)性能。實(shí)驗(yàn)結(jié)果表明了基于遺傳算法的參數(shù)選擇方法的有效性和可行性。

3、 在第四章，本文重點(diǎn)提出了兩種支持向量機(jī)的改進(jìn)算法。針對(duì)支持向量機(jī)在大規(guī)模數(shù)據(jù)集學(xué)習(xí)問(wèn)題的處理中需要耗費(fèi)很長(zhǎng)的時(shí)間，文章提出一種數(shù)據(jù)預(yù)處理的方法對(duì)學(xué)習(xí)樣本進(jìn)行聚類(lèi)，以此為基礎(chǔ)得到一種模糊支持向量機(jī)，計(jì)算機(jī)仿真結(jié)果表明本文提出的算法與傳統(tǒng)的支持向量機(jī)訓(xùn)練算法相比，在不降低分類(lèi)精度的情況下，大大縮短了支持向量機(jī)的學(xué)習(xí)訓(xùn)練時(shí)間。其次，當(dāng)支持向量機(jī)算法處理較小的學(xué)習(xí)樣本集時(shí)，結(jié)合距離判別的方法，本文提出了一種改進(jìn)算法，能有效提高了學(xué)習(xí)機(jī)