1.4.1 SVM与神经网络的比较
神经网络能够可以实现对任意函数的逼近，但由于缺乏足够的理论基础依据，因此在具体运用时无法找到具有参考价值的理论，就需要根据经验来确定具体问题所需的数据结构。而对于支持向量机而言，它是建立在传统的统计学理论基础上的，有充分的理论依据。
相对而言，神经网络的基本原则是经验风险最小化原则，这也就意着使用神经网络处理问题时有些问题时无法解决的。例如一些在局部极小点处的相关问题，神经网络是没有办法找到网络收敛至最优点的。还有一个就是过学习的缺陷，当样本容量是有限的时候，假如算法设计的不够合理，那么就会出现预测能力下降的问题。而支持向量机SVM时以结构风险最小化原则为基础的，具有许多明显的优点，能沟克服神经网络存在的一些问题，因此这也让支持向量机具有更好的应用前景[27]。SVM在在分析处理数据时，可以采用不同的多种核函数，并且能沟得到相似的结果。但是神经网络很依赖模型，对模型的选择具有很大的敏感性，若模型设计不合理，预测能力则会大打折扣。 基于支持向量机的TiO2/C复合材料的研究(6):http://www.youerw.com/cailiao/lunwen_28114.html