设计总结
支持向量机以统计学习理论作为坚实的理论依据，有很多优点，如基于结构风险最小化，克服了传统方法的过学习和陷入局部最小的问题，具有很强的泛化能力;采用核函数方法，向高维空间映射时并不增加计算的复杂性，又有效地克服了维数灾难问题。目前，支持向量机在模式识别、函数逼近、数据挖掘和文本自动分类中均有很好的应用，而数据分类只是SVM的一个简单应用而已。
在这几个月里，为了做好设计查阅了很多资料，遇到不懂或者不清楚的问题而向老师和很多同学请教，得到了他们的帮助。设计虽然能够完成二维数据集里面数据的分类，但是更多类别的数据分类不是很完善，这是一个非常大的遗憾。
在设计中，某种做法和思路从理论上分析是很正确的，但是在实际做的过程中会出现很多没有考虑到的小问题，从这些方面来说，通过做毕业设计，锻炼了自己分析和考察的能力，也锻炼了自己动手的能力。设计虽然没有做得很完善，但是对SVM原理和软件LIBSVM我都有了进一步得认识和了解。在这次设计中我们所涉及到的这一部分，在实际的运用中还算是皮毛，还有很多我们没有接触到算法和运用才是真正的关键，相信以后在实践中会遇到新的问题而针对这些问题进行更多的学习，能取得更大的进步，以及对SVM运用的进一步的深入。


本电子电气通信自动化毕业设计“基于SVM的数据分类方法实现”论文由清风毕业设计网[www.lunwen550.com]征集整理！