1. 研究目的与意义（文献综述）

支持向量机是基于统计学习理论的一种机器学习方法。近年来随着机器学习的发展，svm由于其出色的学习性能，对非线性的小样本数据优秀的处理能力，已成为当前国内外机器学习研究的热点，在分类、回归等方面有广泛应用^[1-3]。

基于支持向量机的数据预测在国内外的应用非常广泛，近年来涌现出大量的研究成果。以下是几个例子：

1. 股票预测

2. 研究的基本内容与方案

一、 研究目标

支持向量机方法是数学规划在数据挖掘中一个很好的应用，是借助最优化方法解决机器学习问题的新工具。近年来，在其理论研究和算法实现方面都取得了突破性进展。它具有很强的学习能力和泛化性能，可以有效的进行分类、回归、密度估计等。但松弛变量和核函数的参数选择仍然对预测精度有很大影响，因此本文的研究目的是设计一种自适应的svm预测方法，实现参数的自适应，提高svm的预测效果。

二、 基本内容

3. 研究计划与安排

1-3周：查阅文献，资料收集，完成开题报告和英文资料翻译并上交

4-6周：确定论文框架，完成论文综述

7-10周：利用互联网和图书馆收集资料，设计算法，完成功能模块设计

4. 参考文献（12篇以上）

[1] 张博洋.支持向量机理论与应用研究综述[j].无线互联科技,2015(19):111-112.

[2] 王云鹏,张浩.基于支持向量机的网络入侵检测算法综述[j].科学技术创新,2017(25):136-137.

[3] 赵春婕,王树勋.支持向量机原始问题研究综述[j].陕西理工学院学报(自然科学版),2010,26(02):58-64.