1．目的及意义

1.1 研究目的

随着现代计算机科学技术的发展和硬件处理平台的不断完善，信息处理和传递技术得到了长足的发展，计算机的理论及应用也由单纯的处理速度提高向无人化、智能化发展。现代智能技术应用正逐渐兴起，成为当前热门的应用技术。基于支持向量的机器学习是智能计算机技术应用的重要方面，其从当前采集数据出发进行训练，从而对未来或无法观测的数据进行分类和预测。现有的机器学习的方法包括模式识别、神经网络等，是智能技术的重要组成部分。

Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机（Support Vector Machine，简称SVM）。支持向量机的提出有很深的理论背景。

支持向量机方法是在后来提出的一种新方法。

SVM的主要思想可以概括为两点：

它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。

它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。

支持向量机（SVM）是一种比较好的实现了结构风险最小化思想的方法。它的优点是理论完备、训练时间短、全局优化强、适应性好、泛化性能好、较好地解决了模式分类器复杂性核推广性之间的矛盾等。支持向量机是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。因为以上的优秀特点，SVM得以在许多领域（如生物信息识别、物体识别等）都得到了广泛的应用。在长期的理论和时间过程中，取得了优于传统算法的分类结果，从而获得了广泛认可。得益于其自身强大的学习能力，支持向量机技术已成为当前机器学习的热门技术，等待更多的技术人员开发其学习性能。本文主要研究基于ABC（人工蜂群）算法优化SVR（支持向量回归机）的温度测点恢复方法。

1.2 国内外研究现状

1485 20世纪 90 年代中期，Vpanik 等 [1-2]提出了支持向量机（SVM）模型，该模型是在统计学习理论的 VC 维理论和结构风险最小化原理基础上发展起来的新一代学习算法，能较好地解决小样本、非线性、过学习和局部极小点等问题，并且在国内外学术界广受重视，已在文本分类、图像分类、生物信息学和函数拟合等领域中获得了较好的应用。近几年该技术得到国内外学者的高度重视，机器学习理论也因此有了显著发展。Anthonyet al.(1999）等人给出了关于硬邻域支持向量机学习误差的严格理论界限，Shawe-Taylor（2000）和Cristianini（2000）也给出了类似的关于软邻域支持向量机和回归情况下的误差界限；Westonet al.（1998）和Vapnik（1995，1998）等研究了支持向量机的泛化性能及其在多值分类和回归问题的扩展问题；Smola（1998）和Schoelkopf（1999）提出了支持向量机一般意义下的损失函数数学描述；脊回归是由Tikhonov提出的一种具有特殊形式的正则化网络，Girosi（1990）、Poggio（1975）等将其应用到正则化网络的学习中，Smola et al.（1999）研究了状态空间中脊回归的应用，Girosi（1990）、Smola（1998）、Schoelkopf（1999）等讨论了正则化网络和支持向量机的关系。随着支持向量机理论上深入研究，出现了许多变种支持向量机，如Smolaetal.（1999）提出的用于分类和回归支持向量机。另外，一些学者还扩展了支持向量机概念，如Mangasarian（1997）等人的通用支持向量机（GeneralisedSVMs）。