支持向量机(SVM)作为一种新的人工智能技术,它最大的优势是解决了样本数据不足时的学习问题,并且得出了较好的效果。目前,SVM是人工智能研究的热点。诸多研究指出,SVM分类效果在相当大的程度上是受到SVM参数选择的影响。对于SVM分类情况的研究方向,通常需要考虑到对核参数?与误差惩罚参数C值的优化选取。当前比较常用的参数选择方法有网格搜索法,以及基于遗传算法或粒子群算法等的参数选择。由于没有一个统一的理论指导,这些方法并不能得到广泛的应用。本文首先分别验证核参数与误差惩罚参数的优化效果,然后再将它们作为一个参数对验证其优化效果。本文主要研究内容与相关工作如下。(1)改进核参数选择方法针对基于分离间隔的支持向量机参数选择方法在寻优过程中忽略部分样本数据给训练结果带来不可靠性,提出优化支持向量机核参数选择的新方法。该新方法通过获取每个样本数据与不同类别样本数据集中心位置距离总和的最大值,此时选取最大值对应的自变量为最优核参数值。(2)改进误差惩罚参数选择方法针对支持向量计数法寻找最优误差惩罚参数的不足,并根据非边界支持向量个数越多,支持向量机越稳定的特性,提出将边界支持向量与非边界支持向量引入到寻优误差惩罚参数的过程中,从而使支持向量机不仅具有良好的泛化能力,而且训练得到的模型也能保证自身的稳定性。(3)实验验证首先通过多组不同类型的数据集进行验证,得出改进的核参数方法与改进惩罚参数的方法比改进前具有更高的测试正确率。同时将两者作为参数对验证得出的模型不仅训练时间有所缩短,而且测试正确率也有所提高。