支持向量机的优化算法实现开题报告

1. 研究目的与意义（文献综述）

机器学习研究从观测数据出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。其重要理论基础之一是统计学。统计学习理论(statistical learn-ing theory，slt)专门研究实际应用中有限样本情况的机器学习规律。

支持向量机svm (support vector machine)就是在统计学理论基础上以结构风险最小化为准则发展起来的新的分类技术，它根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力，是一个有监督的学习模型。概括的说，支持向量机是以寻找最优分类面为目标、以二次规划为手段、以非线性映射为理论基础的统计学习方法。

与传统统计学相比，支持向量机算法具有理论完备，全局优化，适应性强，泛化性能好等特点，该算法较好地解决了传统统计学习理论不能解决的非线性、高维数和局部极小点等问题，通常用来进行模式识别、分类以及回归分析。

2. 研究的基本内容与方案

a. 基本内容

近年来，随着支持向量机算法的不断发展，svm良好的特点在分类、回归和模式识别等问题的研究上得到广泛应用的同时，其训练算法速度慢、算法复杂而难以实现以及检测阶段运算量大等问题也显露出来。因此，学者们也致力于研究对支持向量机的优化，并提出了一些相关优化算法。本课题拟在对支持向量机进行理论研究的基础上，通过应用常见优化算法来自适应寻找最优的惩罚因子c以及核函数等重要参数，进而得到该最优参数下的支持向量机分类准确率，以此来分析常见优化算法在支持向量机上的应用，并对比其优缺点，为支持向量机参数优化策略提供参考。

b. 目标

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，了解支持向量机算法及其优化算法。确定方案，完成开题报告。

第4－10周：掌握算法原理。

第11－13周：算法程序模块和流程设计，调试。

4. 参考文献（12篇以上）

[1] 陈果.基于遗传算法的支持向量机分类器模型参数优化[j].机械科学与技术， 2007，26(3)：347-350.

[2] 徐晓明. svm参数寻优及其在分类中的应用[d].大连：大连海事大学，2014.

[3] 杨旭，纪玉波，田雪.基于遗传算法的svm参数选取[j].辽宁石油化工大学学报，2004，24(1)：54-58.