摘要:支持向量机（SVM）是从统计学习理论的VC维理论以及结构风险最小化原则发展出来的一种新型的机器学习方法，能够较好地解决小样本、非线性和高维模式识别等实际问题，因此，逐渐成为了克服“维数灾难”和“过学习”等传统困难的有力手段。

支持向量机的核心思想就是：首先，通过非线性变换将输入空间变换到一个高维的特征空间，然后在这个高维的特征空间中求解最优线性分类面，而这种非线性变换则是通过定义适当的内积函数实现的。本文旨在解决传统支持向量机在数据量较大时，所需要的计算时间和空间复杂度同样较大的难题。希望在保证运算结果的质量的同时，进一步提高运算效率。

我们通过将二次规划问题转化为线性规划问题的方式，给优化问题降次，从而提出了l1范数下的，基于线性规划的支持向量机算法。该算法在一定程度上减少了计算量，提高了运算效率，但同时也会牺牲一部分的准确性。改进后的算法有一定的进步意义，在一些情况下要优于传统的l2范数下的支持向量机。最后，我们通过一组仿真实验，验证了上述理论的可行性，并通过对数据的有效分类，检测了它的准确率。

关键词：支持向量机  线性规划  matlab 

目录

摘要

Abstract

引言-1

1基本概念-2

2 L1范数下的支持向量机的分类算法-4

2.1 理论基础-4

2.1.1我们为什么要改进算法-4

2.1.2思路和具体措施-4

2.2 算法推导-4

3仿真实验-6

3.1实验准备-6

3.2 实验结果-6

3. 3 结果分析-6

结论-8

参考文献-9

致谢-10