黄晔　穆向阳

摘 要：简单介绍了神经网络与支持向量机，对比分析两者的优缺点，提出了神经网络与支持向量机的协作发展，为两者实际应用的缺欠领域创造更多可能。

关键词：神经网络；支持向量机；竞争；协作

人工神经网络（Artificial Neural Network，ANN）与支持向量机（Support Vector Machine，SVM）都是非线性分类模型。1986年，Rummelhart与McClelland创造出前馈型神经网络学习算法，简称BP算法。Vapnik等人于1992年提出支持向量机的概念。神经网络为包含输入、输出以及隐含层的非线性模型，隐含层可以是单层也可以是多层，支持向量机则运用核理论将非线性问题转换为线性问题。神经网络与支持向量机同为统计学习的代表方法，其中神经网络建立在传统统计学的基础上，支持向量机则建立在统计学理论的基础上。传统统计学假定样本数据无限大，从而推导出各种算法，得到其统计性质及其渐进理论。而在实际应用中，样本数为有限数据，对神经网络算法造成了限制。为了对比分析，研究者分别对BP神经网络与支持向量机进行仿真实验，得出支持向量机具有更强的逼近能力这一结果。但从后文所述支持向量机的优缺点来看，当训练样本规模较大时，运用支持向量机的算法很难实现。一直以来，神经网络与支持向量机处于“竞争”的关系，但无论是神经网络还是支持向量机，都做不到完美无缺。

1 人工神经网络

1.1 神经网络特点

神经网络是由大量的神经细胞（亦称神经元）组成，这些神经细胞具有很高的互连程度，构成了神经网络复杂的并行结构。……