关于统计学习理论与支持向量机 |
| |
引用本文: | 张学工. 关于统计学习理论与支持向量机. 自动化学报, 2000, 26(1): 32-42. |
| |
作者姓名: | 张学工 |
| |
作者单位: | 1.清华大学自动化系智能技术与系统国家重点实验室,北京 |
| |
基金项目: | 国家自然科学基金赞助!项目编号为 6 9885 0 0 4 |
| |
摘 要: | 模式识别、函数拟合及概率密度估计等都属于基于数据学习的问题,现有方法的重要基础是传统的统计学,前提是有足够多样本,当样本数目有限时难以取得理想的效果.统计学习理论(SLT)是由Vapnik等人提出的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.SLT为机器学习问题建立了一个较好的理论框架,也发展了一种新的通用学习算法--支持向量机(SVM),能够较好的解决小样本学习问题.目前,SLT和SVM已成为国际上机器学习领域新的研究热点.本文是一篇综述,旨在介绍SLT和SVM的基本思想、特点和研究发展现状,以引起国内学者的进一步关注.
|
关 键 词: | 统计学习理论 支持向量机 机器学习 模式识别 |
收稿时间: | 1998-08-24 |
修稿时间: | 1998-08-24 |
本文献已被 CNKI 维普 万方数据 等数据库收录! |
| 点击此处可从《自动化学报》浏览原始摘要信息 |
|
点击此处可从《自动化学报》下载免费的PDF全文 |
|