支持向量机的理论与算法研究

张学工对SVM的导论深入浅出先看这个再看其他书有个框架性了解

作为一种新的机器学习方法,支持向量机的参数选择没有一个统一的模式和标准。为了克服这一缺点,对遗传算法进行改进,构造一种混沌云自适应模拟退火遗传算法(CCASAGA)对支持向量机回归参数进行优化。该算法

加快支持向量机训练速度的新算法，韩晓明，谢克明，针对支持向量机面对大样本数据训练速度比较慢的缺点，提出了一种改进算法。基于支持向量的本质特点，利用数理统计中的方差对输入

投影孪生支持向量机（PTSVM）是最近提出的一种具有较好泛化性能的分类模型，但由于采用内点算法求解二次规划问题，PTSVM的训练速度较慢。针对该缺陷，提出一种快速的、基于几何算法的PTSVM（GPTS

对求解含线性约束优化问题的粒子群算法（LPSO）进行了改进，给出了应用其训练支持向量机（SVM）的方法。改进后的算法在基本PSO惯性权重策略的基础上加入了基于种群收敛速度的自适应扰动，能够较好地调整算

支持向量机 数字水印技术 毕业课设 算法研究

支持向量机性质研究，奉国和，，对于分类支持向量机和回归支持向量机推导了它们的一些性质，得出了一些有价值的结论，对于全面地了解支持向量机的本质有帮助。

基于支持向量机的特征选择方法的研究与应用

svm的一片有价值的论文，可以参考建立相关系统。作为人工智能的基础性入门系统。

根据《PatternRecognitionandMachineLearning》这本书的第7章（稀疏核机）的7.1节，介绍了样本数据线性可分的线性可分支持向量机和样本数据重叠的线性支持向量机，以及支持