菜单
　　


    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。
  1. 上一篇：微型不锈钢柱焊接工艺研究+文献综述
  2. 下一篇：反应物浓度对材料的影响+文献综述

  1. 基于能量-冶金联合调控的...

  2. 基于Cu-Ti钎料Si3N4陶瓷表面预金属化钎焊研究

  3. 基于遗传算法与神经网络...

  4. 基于MATLAB的窄间隙焊缝质量建模研究

  5. 基于Ni基钎料的钼铼合金钎焊组织及性能研究

  6. 基于Mn-MOF的新型氧化锰/多...

  7. 基于铬酸锂的新型正极材...

  8. 浅析中国古代宗法制度

  9. 中国传统元素在游戏角色...

  10. C++最短路径算法研究和程序设计

  11. g-C3N4光催化剂的制备和光催化性能研究

  12. 高警觉工作人群的元情绪...

  13. 上市公司股权结构对经营绩效的影响研究

  14. 现代简约美式风格在室内家装中的运用

  15. NFC协议物理层的软件实现+文献综述

  16. 巴金《激流三部曲》高觉新的悲剧命运

  17. 江苏省某高中学生体质现状的调查研究

　　

About

优尔论文网手机版...

主页：http://www.youerw.com

关闭返回