文献类型：期刊文章

作　　者：郑小霞[1] 钱锋[1]

机构地区：[1]华东理工大学自动化研究所,上海200237

出　　处：《计算机工程与应用》

基　　金：国家973基础研究规划资助项目(编号:2002CB3122000);国家自然科学基金资助项目(编号:60074027);国家863高技术研究发展计划资助项目(编号:2003AA412010)

年　　份：2006

卷　　号：42

期　　号：1

起止页码：77-79

语　　种：中文

收录情况：AJ、BDHX、BDHX2004、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：支持向量机(SupportVectorMachine,SVM)是近几年发展起来的机器学习新方法,以高斯核为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛应用于模式分类中。论文研究了高斯核支持向量机分类在IRIS分类问题上的应用,并结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度σ对SVM性能的影响,最后通过数值实验进一步分析了这种影响。

关 键 词：支持向量机 结构风险最小化原则 高斯核 核参数

分 类 号：TP18]