基于向量机的高效算法研究
摘 要：支持向量机是以统计学习理论为基础的分类算法。本文主要介绍了基于向量机的SMO算法
关键词：SVM； SMO； 高斯核函数； 系统运维应用
- 概述
支持向量机（support vector machine，SVM）由 Vapnik 等提出，以统计学理论和结构风险最小化原理为基础的通用有效的机器学习方法，具有简洁的数学形式、标准快捷的训练方法，被广泛应用于模式识别、函数估计、时间序列预测等领域。
SVM在解决小样本、非线性、高维度的问题上较其它算法表示出优异性，国内外学者对SVM进行了大量深入的研究，并对一些算法进行了改进和优化，使支持向量机的性能不断得到改进，如针对训练时间长，占用内存大的缺点相继提出了快算法、分解算法、序列最小优化算法（SMO）、最小二乘SVM等快速算法。支持向量机最早被应用于模式识别中，随着SVM相关理论的不断完善，之后被广泛应用于工作生活中的各个领域。传统的系统运维，主要依靠人工的定期巡检及突发事件的应急响应机制，在绝大部分情况下可以满足设计指定的运维功能需求，但成本开销较大，而且对于系统历史运行产生的历史数据，也并未形成良好的回溯机制。一种观念认为，人工智能在运维领域的应用发展已成为必然趋势。而一些已有的机器学习方法在该领域的研究进展，也多为采用K-近邻算法(KNN)对运维数据处理后的时间结果进行分类，不仅计算和空间复杂度高，其普适性也欠佳、又不好。本文采用了另一种机器学习的方法，探讨和分析了支持向量机和已经获得广泛使用的序列最小优化算法的原理,并结合使用径向基核函数实现了对于非线性分类的优化；同时,通过仿真样本数据进行了模拟实验，结果证实了这一算法在系统运维领域中应用的可行性。
- SVM理论
统计学习理论是一种专门研究小样本的学习理论，通过一定的学习方法，找到数据的内在依赖关系，从而对数据进行相关的预测。在统计学习理论中VC维表示机器学习的复杂性。对VC维一个直观的定义：假设一个有h个样本的样本集，它能够被一个函数集中的函数按照所有可能的2h种组合分开，则此函数集能将该样本集打散。函数集能够打散的最大样本数目h就表示函数集的VC维。VC维越大表示机器学习能力越强。
统计学习理论系统地研究了对于各种类型的函数集、经验风险和期望风险之间的关系，即推广性的界。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
