全文总字数：1877字

1. 研究目的与意义及国内外研究现状

支持向量机(support vector machines，svm) 是建立在统计学习理论vc维理论和结构风险 小化原理基础上的机器学习方法。

它在解决小样本、 非线性和高维模式识别问题中表现出许多特有的优 势，并在很大程度上克服了“维数灾难”和“过学 习”等问题。

此外，它具有坚实的理论基础，简单 明了的数学模型，因此，在模式识别、回归分析、 函数估计、时间序列预测等领域都得到了长足的发 展，并被广泛应用于文本识别、手写字体识别、 人脸图像识别、基因分类及时间序列预测等。

2. 研究的基本内容

1、理解SVM深度学习算法的设计原理；2、编码实现SVM深度学习算法；3、基于公共数据平台，做大量的实验，记录整理实验数据；4、基于上述实验数据，分析SVM算法的优缺点。

3. 实施方案、进度安排及预期效果

在指导教师的指导下，查阅相关文献，进行相关实验，按期开展论文工作。

4. 参考文献

1. 支持向量机系列，pluskid：http://blog.pluskid.org/?page_id=683；
2. http://www.360doc.com/content/07/0716/23/11966_615252.shtml；
3. 数据挖掘十大经典算法初探；
4. 《模式识别支持向量机指南》，C.J.C Burges 著；
5. 《统计学习方法》，李航著(第7章有不少内容参考自支持向量机导论一书，不过，可以翻翻看看)；
6. 《统计自然语言处理》，宗成庆编著，第十二章、文本分类；
7. SVM入门系列，Jasper：http://www.blogjava.net/zhenandaci/category/31868.html；
8. 斯坦福大学机器学习课程原始讲义：http://www.cnblogs.com/jerrylead/archive/2012/05/08/2489725.html；
9. 斯坦福机器学习课程笔记：http://www.cnblogs.com/jerrylead/tag/Machine Learning