1. 研究目的与意义（文献综述）

近年来，随着科技水平的进步，社会经济的不断发展，国家需要更多的高素质人才，而如何去制定合理的方案去评估学生们的成绩，成为了一个大难题。人为评估难免出现不公及错误之处，本篇论文便是旨在利用先进的svm算法来制作一套合理的方案评估潜艇学员模拟训练成绩，借此分析学生们的成绩状况，对其进行评估，从而提高人才素质。

支持向量机(support vector machine简称svm)是近年来新兴的一种分类方法,假定样本数据服从某个分布,根据统计学习理论,要使分类函数的实际输出与理想输出之间的偏差尽可能小,应遵循结构风险最小化原理,而不是传统的经验风险最小化原理,svm正是这一理论的具体实现.

支持向量机是cortes 和vapnik 于1995 年提出的，在机器学习中通过拟合函数解决小样本，应用于高维模式线性等模式识别中，具有特有的优势。支持向量机有很多优点，首先它是专门针对有限样本情况的其目标是得到现有信息下的最优解，而不仅仅是样本数目趋于无穷大时的最优值；其次，其算法最终将会转化为一个二次型寻优问题。从理论上说得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题；还有svm算法将实际问题通过非线性变换到高维的特征空间，在高维空间中构造线性判别函数以替换原空间中的非线性判别函数，这样能保证机器有较好的推广能力同时它巧妙地解决了维数问题，算法复杂度与样本维数无关。

2. 研究的基本内容与方案

本次研究设计的基本内容为建立以支持向量机（svm）为核心的评估模型，对已有的模拟训练成绩历史数据进行整合、优化处理后建立的有效数学模型，其包含各种模拟训练成绩评价指标之间的关系以及每个评价指标重要度信息，根据所述评估模型，可以对每名学员的模拟训练过效果作出准确可靠评估，弥补了人为定性的不足，提高了系统的可靠性。

我们在对学员模拟训练成绩评估处理上，总会有不同的误判，一是由于人为处理可能出现不公正的情况， 另外一种则是由于人为处理会出现失误，而且人为处理比较繁琐，为了避免这几种形式错误产生，节省评估时间，提高评估效率，我们需要建立模型，通过不同因子来完成参数设定决定模型的可信度，建立svm 方法，来设置参数，为决定性参数和惩罚性因素。

这样利用svm 算法建立学员成绩评估模型就比较具有说服力，我们可以选择rbf 核函数，利用这个核函数具有较强的非线性映射能力来解决问题。但是如果我们使用smo 就不会有这样的效果，会有一组参数来处理误判的可能。

3. 研究计划与安排

第1-3周：文献查阅，包括著作、期刊、会议论文、网络资源等；

第4周：完成开题报告、论文提纲；

第5-9周：.收集筛选评价指标数据，并进行预处理,建立有效的svm评估模型；

4. 参考文献（12篇以上）

[1]joachims t. making large-scale svm learning practical[j]. technical reports, 1998, 8(3):499-526.

[2]keerthi s s, shevade s k, bhattacharyya c, et al. improvements to platt's smo algorithm for svm classifier design[j]. neural computation, 2001, 13(3):637-649.

[3]翟永杰, 韩璞, 王东风,等. 基于损失函数的svm算法及其在轻微故障诊断中的应用[j]. 中国电机工程学报, 2003, 23(9):198-203.