摘要
SVM(Support Vector Machine,支持向量机)在解决小样本学习、非线性以及高维模式识别等问题中表现出许多特有优势.它根据Vapnik提出的结构风险最小化理论,在使训练样本分类误差极小化的前提下,尽量提高分类器的泛化推广能力.从实施的角度看,训练支持向量机等于解一个线性约束的二次规划问题,使得分隔特征空间中两类模式点的两个超平面之间距离最大,而且它能保证得到解的全局最优点.通过提取字符的网格特征做为输入,以此设计一个用于字符识别的支持向量机,经过训练后,对字符进行识别,达到了理想的效果.实践表明,支持向量机有结构简单,性能优良,学习速度快等特点.
NETL
NSTL
万方数据