支持向量机理论及工程应用实例

上传者: cb1012758444 | 上传时间: 2021-09-06 17:18:00 | 文件大小: 9.15MB | 文件类型: PDF
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,避免了神经网络实现中的经验成分.

文件下载

评论信息

  • lindawangjl :
    是一个学习和理解支撑向量机的好文献,值得一看。
    2014-12-14

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明