1、支持向量機(SVM)作為一種基于統(tǒng)計學習理論的新型機器學習方法,采用結構風險最小化原則以及核函數(shù)方法,有效解決了小樣本學習、局部尋優(yōu)和維數(shù)災難等問題。然而,計算代價過大、核函數(shù)方法和參數(shù)尋優(yōu)標準不確定性限制了SVM的應用范圍。如何解決這些問題已成為SVM學習領域的研究熱點之一。
　　 首先介紹機器學習的概念、統(tǒng)計學習理論的發(fā)展過程以及SVM的主要原理,分析基于聚類原理和結構改進支持向量的約簡方法。針對SVM計算代價過大的問題,提

2、出一種改進的約簡算法即兩步篩選算法(2s-PSV算法):首先,基于樣本塊劃分和樣本密度計算初步剔除訓練集的冗余樣本;然后,根據(jù)相對邊界樣本距離提取候選訓練樣本。該算法適應于各種分布狀態(tài)的訓練樣本集,不僅能有效剔除異常樣本,而且能避免誤刪支持向量。
　　 將2s-PSV算法應用于SVM中,并引入線性組合核函數(shù)構造一種改進的約簡支持向量機(IS-SVM)。該IS-SVM的核函數(shù)結合局部核函數(shù)與全局核函數(shù)的優(yōu)勢,具備較好的局部差值能力