宁夏工程技术
寧夏工程技術
저하공정기술
NINGXIA ENGINGEERING TECHNOLOGY
2004年
2期
136-140
,共5页
经验风险最小化%结构风险最小化%最优超平面%支持向量机
經驗風險最小化%結構風險最小化%最優超平麵%支持嚮量機
경험풍험최소화%결구풍험최소화%최우초평면%지지향량궤
支持向量机(support vector machine,简称SVM)是近年来在国外发展起来的一种新型机器学习技术,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点.与传统的人工神经网络(artificialneural network,简称ANN)不同,SVM是基于结构风险最小化(structural risk minimization,简称SRM)原理,而ANN是基于经验风险最小化(empirical risk minimization,简称ERM)原理.理论和实验表明,SVM不但结构简单,而且具有较好的泛化能力,尤其是对于小样本问题,成功地克服了ANN学习过程中的"过学习"和可能会陷入局部极小问题.另外,SVM算法是一个凸二次优化问题,能够保证极值解是全局最优解.就SVM理论进行了详细综述,旨在引起广大研究者的重视.
支持嚮量機(support vector machine,簡稱SVM)是近年來在國外髮展起來的一種新型機器學習技術,由于其齣色的學習性能,該技術已成為噹前國際機器學習界的研究熱點.與傳統的人工神經網絡(artificialneural network,簡稱ANN)不同,SVM是基于結構風險最小化(structural risk minimization,簡稱SRM)原理,而ANN是基于經驗風險最小化(empirical risk minimization,簡稱ERM)原理.理論和實驗錶明,SVM不但結構簡單,而且具有較好的汎化能力,尤其是對于小樣本問題,成功地剋服瞭ANN學習過程中的"過學習"和可能會陷入跼部極小問題.另外,SVM算法是一箇凸二次優化問題,能夠保證極值解是全跼最優解.就SVM理論進行瞭詳細綜述,旨在引起廣大研究者的重視.
지지향량궤(support vector machine,간칭SVM)시근년래재국외발전기래적일충신형궤기학습기술,유우기출색적학습성능,해기술이성위당전국제궤기학습계적연구열점.여전통적인공신경망락(artificialneural network,간칭ANN)불동,SVM시기우결구풍험최소화(structural risk minimization,간칭SRM)원리,이ANN시기우경험풍험최소화(empirical risk minimization,간칭ERM)원리.이론화실험표명,SVM불단결구간단,이차구유교호적범화능력,우기시대우소양본문제,성공지극복료ANN학습과정중적"과학습"화가능회함입국부겁소문제.령외,SVM산법시일개철이차우화문제,능구보증겁치해시전국최우해.취SVM이론진행료상세종술,지재인기엄대연구자적중시.
