支持向量机算法研究论文

支持向量机能较好地解决小样本、非线性、高维数和局部极小点等实际问题，已成为机器学习界的研究热点之一。目前，国际上对这一理论的讨论和进一步研究较为深入。我国国内对这一理论已经开展了积极，有效的研究工作，尤其是近几年支持向量机越来越广泛地被应用到生产和生活中。支持向量机开始主要应用在模式识别方面，如手写数字的识别问题，语音识别等，后来应用于人脸检测，以及文本分类网等各种领域。支持向量机在生物信息领域，如蛋白质的分类，DNA分析等，取得了较好的结果。此外支持向量机还应用于时间序列分析、回归分析、聚类分析。但相比之下，分类问题的研究较为成熟，其他方面如时间序列分析，聚类分析等方面的研究，还有待进一步的完善。另一方面，在实际应用中，出现的算法参数选择，特征选择问题等，还需要进一步的研究。支持向量机方法虽然是针对两类分类问题而提出的，但如何将两类的分类方法推广到多类问题的分类也是支持向量机理论研究的重要内容之一。目前，将支持向量机的思想应用于解决多类问题的方法，主要有一类对余类、成对分类以及决策树的方法等。

基坑降水环境影响评价问题，是基坑降水环境系统和孕灾环境系统分析的问题。基坑降水环境影响评价指标是用来表征具体环境特性和质量的指标体系。因为实际的环境千差万别，研究内容各不相同，所以建立统一的指标体系解决不同区域的环境评价显然是不切实际的，但是根据影响因素分析，建立相对统一的指标层次结构体系又是可行的。影响因素包括两个方面，一是基坑工程本身固有的工程水文地质和设计要素，二是基坑开挖和运营期间周边环境的影响。其样本是有限样本、非线性、多维问题。因此新兴的机器学习支持向量机能够解决基坑降水环境影响评价与预测问题。

人工智能领域、计算机领域是推荐考虑的方向。文章《人工智能方向的论文发表和范文》

还有一种找投稿期刊的方法，就是在知网检索一下人工智能或者是你说的支持向量机，看这些文章是发表在了哪些期刊上，非常值得借鉴。qikanzj编辑拙见，如有帮助欢迎点赞。

作为一种新兴的机器学习方法,基于统计学习理论的支持向量机,最初是用来解决二类分类问题的。对于实际中主要遇到的多类分类问题,目前常用的两大类改进推广方法为＂分解—重组＂法和＂直接求解＂法。

日翻到与研究内容相关的文章可以分组收藏,也能像Web of Science一样导出引文文件,在Endnote中打开。根据你研究的内容选出关键字,然后在Google学术中搜索,找到引用率最高的几个文献,再从这些文献的参考文献中找综述性文献;3. 根据你研究的内容选出关键字,天前此时,本研究便通过查找文献,利用其他人已发表单细胞数据,找到了神经胶质细胞(本文是施旺细胞...

即便是专业领域的科研文献也是多得数不胜数。因而在阅读文献之前，我们要学会如何查找文献？1)本领域核心期刊的文献。不同的研究方向有不同的核心期刊，这里也不能一概唯IF论了。当然，首先你要了解所研究的核心期刊有哪些，这个就要靠学长、导师或者网友的互相帮助了。2)本领域牛人或主要课题组的文献。每个领域内都有几个领军人物，他们所从事的方向往往代表目前的发展主流。因此，阅读这些组里的文献就可以把握目前的研究重点。怎么知道谁是“领军人物”呢?这里提供两个小方法：第一，在ISI里检索本领域的文献，利用refine 功能找出论文数量较多的作者或课题组;另一个方法，先要了解本领域有哪些比较规模大型的国际会议，登陆会议主办方的网站一般都能看到关于会议的invited speaker的名字，作为邀请报告的报告人一般就是了。3)高引用次数的文章。一般来说高引用次数(如果不是靠自引堆上去的话)文章都是比较经典的文章。多读这样的文章，体会作者对文章结构的把握和图表分析的处理，相信可以从中领悟很多东西。对于高引用次数的文章我们在阅读的时候还需要多做笔记，以便在论文撰写的过程中使用。