摘要: 随着神经网络与计算机技术的发展，支持向量机成为了模式识别研究的热点．本文介绍了支持向量机用于分类识别的理论和方法,并运用一些实例来探讨其在各个领域中的应用．

毕业论文关键词：支持向量，核函数，最优分类面74172

Abstract: With the development of neural network and computer technology, support vector machine is one of the hot points in pattern recognition。In this paper,the theory and method of support vector machine which are used for classification recognition are introduced,and some examples are used to discuss the application of support vector machine in various fields。

Keywords: support vector machine, kernel function, optimal hyperplane

目录

1  引言 4

2  支持向量机 4

2。1  支持向量机概述 4

2。1。1  期望风险 4

2。1。2  经验风险 4

2。2  线性可分的最优分类面 5

2。3  线性不可分的最优分类面 6

2。4 非线性分类面 7

2。5  支持向量机的MATLAB编程实现 8

2。5。1  线性分类 8

2。5。2  非线性分类 9

3  支持向量机的分类识别应用 13

3。1  植物分类识别 13

3。2 手写体数字识别 14

3。3  机器故障分类识别 15

3。4  膨胀土分类识别 17

3。5 遥感图像分类识别 18

结论 21

参 考 文 献 22

致谢 23

1  引言

支持向量机（Support Vector Machine,简称SVM）以统计学习理论为理论体系，通过寻求结构风险最小化来实现实际风险的最小化，追求在有限信息条件下得到最优结果。

以往困扰机器学习方法的很多问题，如非线性和维数灾难问题、局部极小问题等，通过支持向量机可以得到一定的解决，并且支持向量机在文本分类、语音识别、遥感图像分析、故障识别等诸多的领域有了成功的应用。随着支持向量机理论的不断发展和成熟，加之神经网络等学习方法在理论上缺乏实质性的进展，支持向量机开始受到越来越广泛的关注【1】。

2  支持向量机论文网

2。1  支持向量机概述

支持向量机理论的最大特点是根据结构风险最小化原则,尽量提高学习的泛化能力,即由有限的训练集样本得到的小误差仍能够保证对独立测试集的小误差。支持向量机算法是一个凸优化问题,保证了局部最优解则一定是全局最优解。 

在处理非线性问题时,通过引入核函数 的办法,将非线性问题转化为某个高维空间的线性问题,从而实现样本的分类。

2。1。1  期望风险

假设有 个样本，每个训练样本由一组向量 组成： ( )并且每一个 都有一个 与之对应。又假设在这些均匀分布的训练样本中存在一些未知分布的 ， 都是独立且同分布的。