人工智能基础：基于GEP的最小二乘支持向量机模型参数选择

机器感知与模式识别：支持向量机与BP网络在火灾图像探测上的比较

机器学习：基于支持向量机的生物医学文献蛋白质关系抽取

机器学习：一种改进的模糊支持向量机算法（西安电子科技大学：刘三阳、杜喆）

《工程科学学报》：基于多目标支持向量机的ADHD分类

4.0 引言 4.1 Fisher线性判别 4.2 最小平方误差准则 4.3 最小错分样本数准则 4.4 线性支持向量机（SVM）

陕西师范大学计算机科学学院：基于二叉树支持向量机的小麦碰撞声分类研究

机器学习：span style=font-family 宋体; font-size 10pt;支持向量回归机多项式光滑函数的逼近精度span

智能系统：基于支持向量回归机的HHT边界效应处理（哈尔滨工程大学：李雪耀、张汝波、王 武）

1 感知机存在的一个问题 2 线性可分 SVM SVM 的种类 函数间隔和几何间隔 学习的原始最优化问 题 凸优化问题 线性可分 SVM 学习算 法—最大间隔法 支持向量与间隔边界 拉格朗日对偶性 KKT 条件 线性可分 SVM 学习的 对偶算法 3 线性不可分 SVM 线性 SVM 学习的对偶 算法 线性 SVM 学习算法 线性不可分时的 SV 合页损失函数 4 非线性 SVM 与核函数 希尔伯特空间 核函数的定义 核函数的选取 核技巧在 SVM 中的应 用 非线性 SVM 算法 5 序列最小最优化算法 SMO 算法的基本思路 两变量二次规划的求 解方法 两个变量的选择方法