摘要: 随着神经网络与计算机技术的发展，支持向量机成为了模式识别研究的热点．本文介绍了支持向量机用于分类识别的理论和方法,并运用一些实例来探讨其在各个领域中的应用．

关键词：支持向量，核函数，最优分类面

支持向量机（Support Vector Machine,简称SVM）以统计学习理论为理论体系，通过寻求结构风险最小化来实现实际风险的最小化，追求在有限信息条件下得到最优结果.

以往困扰机器学习方法的很多问题，如非线性和维数灾难问题、局部极小问题等，通过支持向量机可以得到一定的解决，并且支持向量机在文本分类、语音识别、遥感图像分析、故障识别等诸多的领域有了成功的应用.随着支持向量机理论的不断发展和成熟，加之神经网络等学习方法在理论上缺乏实质性的进展，支持向量机开始受到越来越广泛的关注【1】.

目录

摘要

Abstract

1  引言-4

2  支持向量机-4

2.1  支持向量机概述-4

2.1.1  期望风险-4

2.1.2  经验风险-4

2.2  线性可分的最优分类面-5

2.3  线性不可分的最优分类面-6

2.4 非线性分类面-7

2.5  支持向量机的MATLAB编程实现-8

2.5.1  线性分类-8

2.5.2  非线性分类-9

3  支持向量机的分类识别应用-13

3.1  植物分类识别-13

3.2 手写体数字识别-14

3.3  机器故障分类识别-15

3.4  膨胀土分类识别-17

3.5 遥感图像分类识别-18

结论-21

参 考 文 献-22

致谢-23