李诒靖 ，石 咏 ，李亚楠，郭海湘，b，c，2

（中国地质大学1a.经济管理学院；1b.数字化商务管理研究中心；1c.中国矿产资源战略与政策研究中心，武汉 430074；2.中南大学 商学院，长沙 410083）

支持向量机（Support Vector Machine，SVM）是一种泛化能力很强的分类器，它在解决小样本问题方面表现出了许多特有的优势，是一种非常流行的学习方法，被广泛应用于文本分类［1］、脸谱识别［2］、基因方程预测［3］、机械故障诊断［4］以及预测［5］等方面。在运用SVM解决问题时，需要提前考虑的是选择全局学习方法还是局部学习方法。全局学习方法中主要有非线性SVM（SVM直接划分非线性分类边界），局部学习方法中主要有线性SVM（将非线性分类边界拆分为若干线性边界，从而进行线性划分）。运用非线性的SVM处理问题主要是通过构造复杂的核函数实现，其优点是直接，但缺点是具体的非线性变换是未知的，因此容易过学习，并且相关参数对具体问题有依赖性。相对而言，线性SVM鲁棒性强，但分类精度低，所以通常采用多个线性SVM来保证一定精度并同时提高泛化能力，这就是多支持向量机。由于多支持向量机只训练局部的训练集，故其也被称为局部SVM。

现有的局部SVM算法很多，最简单的方法是对每一个测试样本用一个线性SVM来学习。Zhang等［13］提出了一种基于KNN的SVM-KNN算法，该算法首先找到测试样本在训练集中的k个近邻，将样本与其k个近邻的距离矩阵转化为核矩阵，再分别用SVM进行分类。与SVM-KNN不同，Blanzieri等［15］提出的k NNSVM直接在核空间内寻找测试样本的k个近邻，相比SVM-KNN更为简洁直观。……