摘要：支持向量机(Support Vector Machine，SVM)在机器学习中具有其他算法不具备的优势，它在解决小样本、非线性及高维模式识别中发挥着独一无二的作用。众所周知，传统的模式识别、人工神经网络方法以及线性非线性回归等经典数据挖掘方法都要求必须有大量的训练样本。而在实际研究中，样本的获取非常少不足以来训练出预报能力最好的模型。因此能够利用小数据样本的支持向量机模型大有用武之处。随着支持向量机的出现，支持向量机的算法也愈发愈显得格外重要,因此也出现了块算法，固定工作样本集算法，SMO算法等。因此本文将对两种方法进行比较，通过对具体的数据分类比较应用，从而体现出SMO在小样本集合下体现出的特有优势。

关键词：支持向量机；序列最小优化算法；块算法； 

目录

摘要

Abstract

一、-绪论-4

（一）对本文所研究的问题背景进行介绍和概述-4

（二）对本文不考虑或理想化的部分条件进行介绍-4

二、-对本次研究的问题进行详细的描述-4

（一）SVM现状-4

（二）SMO算法概念及基本思想-5

（三）SMO算法基本原理及研究-5

三、-SVM理论基本模型-6

四、-SMO算法概念及基本思想-8

五、-SMO算法原理应用以及与其他算法的比较-9

六、-所建立模型和问题的总结-10

参考文献

致谢