1、支持向量機（SVM）是一種基于結構風險最小化原則的通用模式分類方法，由于其強大的學習能力和良好的泛化性能，支持向量機已經(jīng)應用到許多模式分類領域。最優(yōu)分類超平面原理使SVM在解決線性可分問題時有很好的表現(xiàn)。但在遇到比較復雜的線性不可分問題時，并沒有一個可靠的方案保證其最佳性能。 為了充分利用分布式并行計算機系統(tǒng)，如集群計算機和網(wǎng)格，解決大規(guī)模模式分類問題，呂寶糧和他的合作者提出了一種便于并行計算的機器學習任務分解方法，稱為最小最大

2、模塊化方法。該方法可以將訓練樣本集劃分為一系列較小的子問題獨立訓練，并使用最小化原則和最大化原將訓練出的子問題分類器綜合成原問題的解。通過對樣本在空間中分布的分析，可以利用M3劃分訓練樣本的過程來近似地劃分樣本空間，從而將復雜的整體問題轉換為一系列較為簡單的局部問題。由于局部問題中的樣本分布較為簡單，非常適合于使用SVM來尋找最佳分類超平面。 首先，本文描述了SVM的最優(yōu)分界面原理。并說明了SVM如何用核方法解決非線性問題。同時

3、還說明了對于復雜的非線性問題，分類器的性能還有改進余地。 然后介紹了最小最大模塊化方法的基本思想，不同的訓練樣本劃分方法以及它們對分類器準確率的影響，并描述了對測試過程的優(yōu)化方法。 接下來重點介紹了一種旨在提高分類器處理線性不可分問題的能力的樣本空間分析方法。對二類分類問題，該方法首先用感知器提取樣本的分布信息，將整體問題劃分為局部空間中的分類問題，使劃分后得到的子問題能夠盡量準確地反映樣本在空間中的分布信息。同時使子問