1、支持向量機是基于統(tǒng)計學習理論和結(jié)構(gòu)風險最小化的數(shù)據(jù)挖掘技術(shù),具有非線性、推廣能力強以及全局最優(yōu)等特點,具有諸多優(yōu)勢。但目前依然存在許多問題尚未得到解決。本文對支持向量分類機算法進行改進,并將支持向量回歸機應用到實際問題中。本文的主要工作如下:
　　第一,支持向量分類機的性能與核函數(shù)的選擇有較大關(guān)系。目前,核函數(shù)選擇算法眾多,但依然存在不足。本文分析了以往的核函數(shù)選擇算法存在的不足,提出了一種基于提高樣本可分性的核函數(shù)選擇方法,并通

2、過實驗表明該方法的有效性。
　　第二,支持向量分類機在處理不平衡數(shù)據(jù)集時對少類樣本的分類效果很不理想。傳統(tǒng)的處理不平衡數(shù)據(jù)集的方法往往忽視了核函數(shù)對分類機性能的影響。對此,本文提出一種核函數(shù)選擇算法與欠采樣算法相結(jié)合的方法。實驗表明該方法可以有效地提高分類性能。
　　第三,對支持向量回歸機的應用進行研究,建立了基于支持向量機的海水參數(shù)預測模型。并通過實驗表明本文方法建立的模型所預測的效果要優(yōu)于傳統(tǒng)模型,并且能夠比較準確地反映