1、深度學習是能夠自動提取特征并且實現對無標簽樣本學習的深層算法。盡管訓練好的深層網絡能夠提供良好的性能，但是學習算法的超參數需要精確的配置以及人工確定。支持向量機本質上是淺層結構，無法自動提取表征數據的抽象特征。因此在保持支持向量機自身優(yōu)勢的同時，研究具有自動提取數據內部結構特征的能力具有重要的理論意義和實踐意義。
　　針對分類問題，論文利用深度學習的深層結構、支持向量機的結構風險最小化以及概率輸出網絡中的條件概率估計等特點，建立了

2、多層支持向量機結構。其中核參數的選擇域呈網格狀，通過求取正負兩種類別對應β分布的累積概率分布和經驗累積概率分布的K-S統計求取一致性的p值乘積最大對應的核參數作為支持向量機模型的核參數。對應的輸出為模型提取的特征，作為下一層的輸入，直至模型達到結束條件為止。最后通過三個常用的分類數據集對所提模型進行了實驗驗證和分析。
　　針對回歸問題，論文利用深度學習的深層結構、支持向量機的結構風險最小化以及概率輸出網絡中的條件概率估計等特點，建