1、傳統(tǒng)的判別分析是判別樣品所屬類型的一種統(tǒng)計方法，其應(yīng)用之廣可與回歸分析媲美。常用的方法有距離判別法、Fisher判別法、Bayes判別法和逐步判別法。隨著科學(xué)技術(shù)的飛速發(fā)展，關(guān)于人工智能的分類問題(模式識別，判別分析)的研究，已有大量的分類算法問世，例如：遺傳算法、文本分類算法、貝葉斯分類算法、SVM( Support Vector Machina)分類算法、指紋分類算法等。但分類問題從理論上講是一個復(fù)雜的函數(shù)延拓問題，不存在一種最優(yōu)的

2、分類算法適用于各種不同的情況，因此不存在一種判別分析方法適用于各種不同的情況，故至今仍有許多的判別分析方法陸續(xù)出現(xiàn)，我們也有必要對其進(jìn)行不斷的研究。 本文針對支持向量機分類的核函數(shù)選擇問題，提出了新的方法-基于粒子群優(yōu)化算法的組合核函數(shù)分類方法，該方法克服了單一核函數(shù)不能夠精確描述判別結(jié)果的局限性。本文重點是解決某種指標(biāo)繁多事物的分類判別問題，提出了基于主成分分析和支持向量機的組合判別分析方法，來對其事物所屬種類進(jìn)行判別分析，本