支持向量机（SVM）综述

 

1. SVM的优势

（1）可以解决小样本情况下的机器学习问题#此前在首页部分显示#

（2）可以提高泛化性能

（3）可以解决高维问题
（4）可以解决非线性问题

（5）可以避免神经网络结构选择和局部极小点问题

2. SVM的研究热点

（1）模式识别

（2）回归估计

（3）概率密度估计

3. SVM的主要核函数

（1）多项式核函数

（2）径向基核函数

（3）Sigmoid核函数

4. SVM的应用

（1）文本分类

（2）人脸识别

（3）三维物体识别

（4）遥感图像分析

（5）函数逼近

（6）时间序列预测

（7）数据压缩

（8）优化SVM算法

（9）SVM改进方法

（10）SVM硬件实现

5. SVM的难点

（1）如何在非监督模式识别问题中应用统计学习理论（SLT）

（2）如何用理论或实验的方法计算VC维

（3）经验风险和实际风险之间的关系称之为推广性的界，但是当(h/n)>0.37时（h—VC维，n—样本数），推广性的界是松弛的，如何寻找一个更好地反映学习机器能力的参数和得到更紧的界

（4）实现结构风险最小化（SRM）时，如何选择函数子集结构