支持向量机理论与算法研究综述

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

支持向量机理论与算法研究综述

丁世飞, 齐丙娟, 谭红艳

文章导航 > 电子科技大学学报 > 2011 > 40(1): 2-10

丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001

引用本文:

丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001

DING Shi-fei, QI Bing-juan, TAN Hong-yan. An Overview on Theory and Algorithm of Support Vector Machines[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001

Citation:

DING Shi-fei, QI Bing-juan, TAN Hong-yan. An Overview on Theory and Algorithm of Support Vector Machines[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001

支持向量机理论与算法研究综述

doi: 10.3969/j.issn.1001-0548.2011.01.001

1.
中国矿业大学计算机科学与技术学院江苏徐州 221116;
2.
中国科学院计算技术研究所智能信息处理重点实验室北京海淀区 100080;
3.
中国科学院声学研究所高性能网络实验室北京海淀区 100190

基金项目:

国家自然科学基金(60975039);江苏省基础研究计划(BK2009093)

作者简介:
丁世飞(1963-)，男，博士后，教授，博士生导师，主要从事模式识别与机器学习、粗糙集与软计算及粒度支持向量机方面的研究.

中图分类号: TP181

An Overview on Theory and Algorithm of Support Vector Machines

1.
School of Computer Science and Technology,China University of Mining and Technology Xuzhou Jiangsu 221116;
2.
Key Laboratory of Intelligent Information Processing,Institute of Computing Technology,Chinese Academy of Science Haidian Beijing 100080;
3.
High Performance Network Laboratory,Institute of Acoustic,Chinese Academy of Science Haidian Beijing 100190

摘要: 统计学习理论(statistical learning theory，SLT)是一种小样本统计理论，着重研究在小样本情况下的统计规律及学习方法性质。支持向量机(support vector machinse, SVM)是一种基于SLT的新型的机器学习方法，由于其出色的学习性能，已经成为当前机器学习界的研究热点。该文系统介绍了支持向量机的理论基础，综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法，最后指出了支持向量机的研究方向与发展前景。
- FSVM /
- GSVM /
- 统计学习理论 /
- 支持向量机 /
- 训练算法 /
- TSVMs
Abstract: Statistical learning theory is the statistical theory of smallsample, and it focuses on the statistical law and the nature of learning of small samples. Support vector machine is a new machine learning method based on statistical learning theory, and it has become the research field of machine learning because of its excellent performance. This paper describes the theoretical basis of support vector machines (SVM) systematically, sums up the mainstream machine training algorithms of traditional SVM and some new learning models and algorithms detailedly, and finally points out the research and development prospects of support vector machine.
- fuzzy support vector machines /
- granular support vector machines /
- statistical learning theory /
- support vector machines /
- training algorithm /
- twin support vector machines

[1]	吴涢晖, 赵子天, 陈晓雷, 邹士亚. 大气低频声信号识别深度学习方法研究 . 电子科技大学学报, 2020, 49(5): 758-765. doi: 10.12178/1001-0548.2019297
[2]	李大湘, 吴倩, 邱鑫, 刘颖. 基于空间稀疏编码的MIL算法及刑侦图像分类 . 电子科技大学学报, 2019, 48(1): 68-73. doi: 10.3969/j.issn.1001-0548.2019.01.012
[3]	张亮亮, 唐有, 张翌维, 王新安. 针对密码芯片数据搬移能量曲线的机器学习攻击 . 电子科技大学学报, 2019, 48(3): 415-419. doi: 10.3969/j.issn.1001-0548.2019.03.017
[4]	刘飚, 潘扬, 许盛伟, 李佳丽, 封化民. 基于集成学习的功耗分析研究 . 电子科技大学学报, 2019, 48(2): 253-258. doi: 10.3969/j.issn.1001-0548.2019.02.015
[5]	王亦雷, 嵇智源, 夏勇, 秦臻, 程红蓉. 移动用户人口统计信息预测 . 电子科技大学学报, 2015, 44(6): 917-920. doi: 10.3969/j.issn.1001-0548.2015.06.021
[6]	张静, 刘忠宝. 基于流形判别分析的全局保序学习机 . 电子科技大学学报, 2015, 44(6): 911-916. doi: 10.3969/j.issn.1001-0548.2015.06.020
[7]	何海江. 截断误差的光滑型支持向量顺序回归 . 电子科技大学学报, 2014, 43(1): 131-136. doi: 10.3969/j.issn.1001-0548.2014.01.022
[8]	刘忠宝. 新型支持向量机在风速预测模型中的应用研究 . 电子科技大学学报, 2014, 43(5): 754-757. doi: 10.3969/j.issn.1001-0548.2014.05.021
[9]	高军峰, 张文佳, 杨勇, 胡佳佳, 陶春毅, 官金安. 基于P300和极限学习机的脑电测谎研究 . 电子科技大学学报, 2014, 43(2): 301-306. doi: 10.3969/j.issn.1001-0548.2014.02.028
[10]	左琳. 序列最小优化工作集选择算法的改进 . 电子科技大学学报, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025
[11]	刘忠宝, 王士同. 面向大规模数据的隐私保护学习机 . 电子科技大学学报, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018
[12]	张雪芹, 顾春华, 吴吉义. 异常检测中支持向量机最优模型选择方法 . 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017
[13]	张宏达, 王晓丹, 徐海龙. 用于RBF-SVM参数搜索的伪梯度动态步长算法 . 电子科技大学学报, 2010, 39(4): 523-527,555. doi: 10.3969/j.issn.1001-0548.2010.04.010
[14]	何海江, 陈姝. 由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
[15]	向国齐, 严志坚, 黄大贵. 支持向量机替代模型的遗传优化设计 . 电子科技大学学报, 2009, 38(3): 459-462. doi: 10.3969/j.issn.1001-0548.2009.03.034
[16]	胡丹, 肖建, 车畅. 再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
[17]	徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法 . 电子科技大学学报, 2008, 37(2): 274-277.
[18]	王勇, 许录平. 独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
[19]	周鸣争, 汪军. 基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.
[20]	鲁珂, 赵继东, 叶娅兰, 曾家智. 一种用于图像检索的新型半监督学习算法 . 电子科技大学学报, 2005, 34(5): 669-671.

WeChat

点击查看大图

计量

文章访问数: 5738
HTML全文浏览量: 603
PDF下载量: 611
被引次数: 0

支持向量机理论与算法研究综述

doi: 10.3969/j.issn.1001-0548.2011.01.001

1. 中国矿业大学计算机科学与技术学院江苏徐州 221116;

2. 中国科学院计算技术研究所智能信息处理重点实验室北京海淀区 100080;

3. 中国科学院声学研究所高性能网络实验室北京海淀区 100190

基金项目:

国家自然科学基金(60975039);江苏省基础研究计划(BK2009093)

作者简介:
丁世飞(1963-)，男，博士后，教授，博士生导师，主要从事模式识别与机器学习、粗糙集与软计算及粒度支持向量机方面的研究.

收稿日期: 2010-12-15
修回日期: 2011-01-09
刊出日期: 2011-02-15

中图分类号: TP181

关键词:

摘要: 统计学习理论(statistical learning theory，SLT)是一种小样本统计理论，着重研究在小样本情况下的统计规律及学习方法性质。支持向量机(support vector machinse, SVM)是一种基于SLT的新型的机器学习方法，由于其出色的学习性能，已经成为当前机器学习界的研究热点。该文系统介绍了支持向量机的理论基础，综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法，最后指出了支持向量机的研究方向与发展前景。

English Abstract

丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001

引用本文:

丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001

DING Shi-fei, QI Bing-juan, TAN Hong-yan. An Overview on Theory and Algorithm of Support Vector Machines[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001

Citation:

DING Shi-fei, QI Bing-juan, TAN Hong-yan. An Overview on Theory and Algorithm of Support Vector Machines[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发