支持向量机的研究

任丽晔，王 静，关秀丽

(1.长春大学 电子信息工程学院，长春 130022;2.吉林工业职业技术学院 商学院，吉林 吉林 132000)

支持向量机的研究

任丽晔1，王 静2，关秀丽1

(1.长春大学 电子信息工程学院，长春 130022;2.吉林工业职业技术学院 商学院，吉林 吉林 132000)

支持向量机可以引入特征变换将原空间的非线性问题转化为新空间的线性问题。本文在论述支持向量机模型创建的基础上，着重对核函数的选取及参数的确定进行了研究，通过实验数据表明，文中创建的组合核函数，在人体下肢动作模式识别中，有较高的识别率。

支持向量机;核函数;模式识别

支持向量机(support vetor machine，SVM)的基本思想可以概括为:首先通过非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求最优分类面，这种非线性变换是通过定义适当的内积核函数实现的。其首先在模式识别领域得到了成功的应用，最突出的案例是贝尔实验室对美国邮政服务数字库进行的实验，分别采用三种类型的支持向量机，采用不同的核函数有效地解决了传统机器学习中的不好解决的高维问题及结构选择的难题。因此，支持向量机(SVM)在分类领域性能是良好的，但其分类性能受到核函数及参数影响，本文通过对脑卒中患者步态的模式识别讨论核函数及参数对SVM分类性能的影响，为SVM分类核函数及参数选择提供借鉴。

1 支持向量机模型

构造一个具有良好性能的SVM，模型选择是关键。其过程主要包括:

(1)训练集的选取;