全文总字数：3429字
毕业论文课题相关文献综述
文 献 综 述一、前言 支持向量机（Support Vector Machine,SVM）是一种基于统计学理论的模式识别方法，在机器学习[1]领域，SVM是一个有监督的学习模型，通常用于模式识别、分类以及回归分析。
目前SVM的应用中还存在一些问题，因此对SVM算法进行优化也是当今的研究热潮，本课题将选用粒子群优化算法（PSO）对SVM的参数选择进行优化。
现在已经存在很多对SVM的研究，涉及各个领域，本课题的研究目的是把利用PSO优化的SVM方法用于对心脏病等疾病的分类预测中。
作者在阅读课题相关文献后，经过理解、整理并综合分析了相关知识，写下这篇综述，以便后续工作的开展以及对相关参考文献进行回顾。
二、知识背景以及研究现状支持向量机（SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
支持向量机的主要思想是针对两类分类问题寻找一个满足分类要求的最优超平面，使得这个分类超平面在保证分类精度要求的同时，能够使超平面两侧的空白区域最大化[2]。
通俗来讲，它是一种二类分类模型，其基本定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。
SVM被证实在分类领域性能良好，但其分类性能受到核函数及参数的影响[3]。
粒子群优化算法（PSO）是一种进化计算技术，由Eberhart博士和Kennedy博士于1995年提出的，它源于对鸟群捕食的行为研究，PSO的初始化为一群随机粒子（随机解），然后通过迭代找到最优解。
通过事先设定的适应度函数值，可以确定下一时刻每个微粒的最优位置以及全局最佳位置[4]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
