兩者在理論基礎上有什麼區別？在模式識別中的應用有什麼不同之處（應用的方面有什麼不同）？

zhonghua123發表於2011-11-24
模式
在統計學習理論中發展起來的支援向量機（Support Vector Machines, SVM）方法是一種新的通用學習方法，表現出理論和實踐上的優勢。SVM在非線性分類、函式逼近、模式識別等應用中有非常好的推廣能力，擺脫了長期以來形成的從生物仿生學的角度構建學習機器的束縛。此外，基於SVM的快速迭代方法和相關的簡化演算法也得到發展。與神經網路相比，支援向量機方法具有更堅實的數學理論基礎，可以有效地解決有限樣本條件下的高維資料模型構建問題，並具有泛化能力強、收斂到全域性最優、維數不敏感等優點。目前，統計學習理論和SVM已經成為繼神經網路之後機器學習領域最熱門的研究方向之一，並有力推動了機器學習理論的發展。SVM已被初步研究使用在核天線陣列處理的波束成形，智慧天線系統的波達角估計，盲均衡器的設計；盲波束成形器設計。

相關文章