基于傅立叶核与径向基核的支持向量机性能之比较

摘要

支持向量机(SVMs)是由Vapnik提出的一种建立在统计学习理论上的新方法.这种方法被深入地研究并广泛应用在诸如分类和回归问题上.由于其基于结构风险最小化的机理,因此相对于其他的经典方法有着更好的泛化特性,其中核函数的选择对支持向量机的性能有着很大的影响.深入地研究了基于傅立叶核函数的支持向量机的特性,得出在某些特殊的情况下,基于傅立叶核函数的支持向量机的性能要好于基于RBF核的支持向量机.最后的仿真对其进行了比较验证.