文献类型：期刊文章

作　　者：顾亚祥[1] 丁世飞[1,2]

机构地区：[1]中国矿业大学计算机科学与技术学院,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,北京100080

出　　处：《计算机科学》

基　　金：江苏省自然科学基金项目(BK2009093);国家自然科学基金项目(60975039)资助

年　　份：2011

卷　　号：38

期　　号：2

起止页码：14-17

语　　种：中文

收录情况：BDHX、BDHX2008、CSA、CSCD、CSCD2011_2012、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：基于统计学习理论的支持向量机(Support vector machines,SVM)以其优秀的学习能力受到广泛的关注。但传统支持向量机在处理大规模二次规划问题时会出现训练时间长、效率低下等问题。对SVM训练算法的最新研究成果进行了综述,对主要算法进行了比较深入的分析和比较,指出了各自的优点及其存在的问题,并且着重介绍了目前研究的新进展———模糊SVM和粒度SVM。接着论述了SVM主要的两方面应用———分类和回归。最后给出了今后SVM研究方向的预见。

关 键 词：支持向量机 训练算法  模糊支持向量机 粒度支持向量机  

分 类 号：TP181]