基于优化新技术的支持向量机的模型与算法研究

近年来随着计算机技术的发展，许多国家的政府和商业机构普遍开始运用数据挖掘从事各种决策活动。应用最优化理论对数据挖掘进行研究正在成为当今管理科学研究的一个热点。本项目拟研究的支持向量机是数据挖掘中的一项新技术，是以最优化方法为实现手段，解决分类问题和回归问题的有效工具。但是在实际应用中，还存在着"输入数据有噪音"、"学习数据量大"、"分类问题通常为多类分类问题"等问题。本项目拟利用优化领域近年来在鲁棒优化、变分不等式问题、半正定规划等方面的新技术，就上述三个问题，对支持向量机的模型与算法进行研究。具体地包括：建立支持向量机的鲁棒模型及其算法；研究不光滑支持向量机训练算法和保证算法收敛性的理论；研究带有控制错误率的参数和具有平衡数据量差异能力的多类分类机模型及其算法。在国内外，对本项目的研究尚处于初级阶段。因此本项目的研究将有利于推动支持向量机在理论和应用实践方面的进一步发展。