基于支持向量机的预测方法模型文献综述_第1页
基于支持向量机的预测方法模型文献综述_第2页
基于支持向量机的预测方法模型文献综述_第3页
基于支持向量机的预测方法模型文献综述_第4页
基于支持向量机的预测方法模型文献综述_第5页
已阅读5页，还剩7页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于支持向量机

的预测方法模型文献综述支持向量机的提出

支持向量机(supportvectormachine,svm)是Vapnik等人于1995年在完整的统计学习理论的基础上提出的一种新的机器学习方法。思想新SVM是一种新兴的机器学习方法，在许多领域具有广阔的应用潜力，目前仍处于发展阶段。方法优SVM采用结构风险最小化准则，具有很好的学习能力，尤其是泛化能力，克服了“维数灾难”和“过学习”，而且效率高，结构简单。应用广SVM已广泛应用于时间序列分析、回归分析、聚类分析、动态图像的人脸跟踪、信号处理、语音识别、图像分析和控制系统等诸多领域。支持向量机的原理假设样本集为(x1，y1)，(x2，y2)，…，(xn，yn)xi∈Rn,yi∈{-1,1}，xi表示输入向量，yi表示输出向量最优超平面假设该样本集可被一个超平面线性划分，定义该超平面为ωx+b=0SVM就是要寻找一个满足分类要求的分割超平面，使样本集中距超平面最近的两类样本之间的距离最大，则该平面就是最优超平面。YourTextHereYourTextHereYourTextHereSVM的主要思想是通过某种事先选择的非线性映射将输入向量x映射到一个高维特征空间Z，并在这个空间中构造最优超平面。如何求解得到这个最优超平面？由于支持向量之间的距离为，构造最优超平面的问题就转化为求的最小值引入拉格朗日函数：对偶形式符号函数核函数应用最多的核函数主要有三种：1)多项式核函数

人人文库> 全部分类> 专业文献 > 医学资料

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论