支持向量機采用結構風險最小化準則（Structural Risk Minimization，SRM）訓練學習機器，其主要優(yōu)點有：將學習問題歸結為一個凸二次規(guī)劃問題，從理論上說，得到的將是全局最優(yōu)解，解決了在神經(jīng)網(wǎng)絡方法中無法避免的局部極值問題；通過非線性變換將數(shù)據(jù)映射到高維特征空間，使數(shù)據(jù)在高維空間中可以用線性判別函數(shù)分類；巧妙地解決了維數(shù)問題，算法復雜度與樣本維數(shù)無關；具有簡潔的數(shù)學形式和直觀的幾何解釋，人為設定的參數(shù)少，便于理解和使用。支持向量機建立在嚴格的理論基礎之上，較好地解決了非線性、高維數(shù)、局部極小點等問題，成為繼神經(jīng)網(wǎng)絡研究之后機器學習領域新的研究熱點。

　　針對SVM這種算法選取參數(shù)不完善的地方，選取參數(shù)的算法需具備較強的普遍性，收斂速度快，計算量小和全局搜索能力強的要求，本文利用張英男等人提出的活躍目標點粒子群算法對SVM參數(shù)進行選取。通過仿真實驗可以看出改進的粒子群算法能夠選出較為有效的算法。