支持向量機（Support Vector Machine，SVM）是基于統(tǒng)計學(xué)習(xí)理論、借助最優(yōu)化方法來解決機器學(xué)習(xí)問題的新工具。它由科爾特斯（Cortes）和瓦普尼克（Vapnik）于1995年首先提出，并已成為近年來機器學(xué)習(xí)研究的一項重大成果。目前對支持向量機的研究主要集中在對其本身性質(zhì)的研究和完善及加大應(yīng)用研究的深度和廣度兩個方面。本書以解決分類問題為目標(biāo)，從理論和模型的完善及應(yīng)用兩個方面，對支持向量分類機（Support Vector Classifier Machine，SVC）進行了較深入的研究和探討，以做到理論和實踐的結(jié)合。
以下是本書討論的主要問題。
（1）在深入研究現(xiàn)有支持向量分類機和支持向量回歸機（Support Vector Regression Machine，SVR）的基礎(chǔ)上，把分類問題看作特殊的回歸問題來處理，通過引入不同的范數(shù)及不同的損失函數(shù)，構(gòu)建求解分類問題的支持向量回歸機新模型，并對引入高斯損失函數(shù)得到的新模型給出求解的簡便方法——簡化的序列最小最優(yōu)化算法。另外，針對多類分類問題提出了新的多類分類模型，數(shù)值試驗表明該模型的魯棒性和有效性，從而給出求解分類問題的支持向量機的新思路和新途徑。
（2）馮（Fung）和曼格薩（Mangasarian）從直觀上提出了中心支持向量分類機。本書通過理論推導(dǎo)和分析構(gòu)造出中心支持向量分類機的原始優(yōu)化問題，從不同的途徑給出了中心支持向量分類機。在此基礎(chǔ)上，首次給出了稀疏的中心支持向量分類機和加權(quán)的中心支持向量分類機。對含有不確定信息的分類問題，通過引入概率變量，構(gòu)建了不確定中心支持向量分類機，從而實現(xiàn)對中心支持向量分類機理論的推廣完善和創(chuàng)新。
（3）瓦普尼克提出了推理型支持向量分類機，其優(yōu)化問題的求解比較困難。本書將其原始最優(yōu)化問題變?yōu)闊o約束問題，并對其進行光滑化，從而構(gòu)建了改進的推理型支持向量機和加權(quán)的推理型支持向量機，并成功地將新模型應(yīng)用到網(wǎng)絡(luò)入侵檢測中，給出了網(wǎng)絡(luò)入侵檢測的新方法，使推理型支持向量機的理論和應(yīng)用研究有了新的突破。
（4）首次將支持向量分類機應(yīng)用到海水工廠化養(yǎng)殖中的環(huán)境監(jiān)測問題。對河北省唐山市、秦皇島市沿海的養(yǎng)殖工廠隨機采集魚類生長環(huán)境數(shù)據(jù)，進行檢測和監(jiān)控實驗，取得了較好的應(yīng)用效果，在切實解決實際問題的同時，進一步拓寬了支持向量機的應(yīng)用領(lǐng)域。例如，本書給出支持向量分類機在棚栽植物生長環(huán)境監(jiān)測中的應(yīng)用，在地源熱泵系統(tǒng)混合防凍劑、制冷劑配比中的應(yīng)用，在義務(wù)教育學(xué)校均衡發(fā)展評價中的應(yīng)用，在教師教育師資隊伍量化評價中的應(yīng)用，以及在商務(wù)決策管理的量化評價與調(diào)整中的應(yīng)用等。本書構(gòu)建的各種新的支持向量分類機，較一般支持向量分類機有明顯的優(yōu)勢和良好性能，主要體現(xiàn)在有的模型求解算法簡便、有的模型測試精度高、有的模型解決實際問題時針對性強，這均在數(shù)值試驗和實際應(yīng)用中得到證實。
本書得以出版，要特別感謝我的導(dǎo)師中國農(nóng)業(yè)大學(xué)鄧乃揚教授和我的同學(xué)中國科學(xué)院大學(xué)田英杰教授的指導(dǎo)，也特別感謝唐山師范學(xué)院的資助。
由于本人水平有限，書中難免有疏漏之處，敬請讀者批評指正。