二者在形式上有幾分相似,但實(shí)際上有很大不同。 簡(jiǎn)而言之，神經(jīng)網(wǎng)絡(luò)是個(gè)“黑匣子”，優(yōu)化目標(biāo)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，易陷入局部最優(yōu)，訓(xùn)練結(jié)果不太穩(wěn)定，一般需要大樣本； 而支持向量機(jī)有嚴(yán)格的理論和數(shù)學(xué)基礎(chǔ)，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則, 泛化能力優(yōu)于前者，算法具有全局最優(yōu)性, 是針對(duì)小樣本統(tǒng)計(jì)的理論。 目前來(lái)看，雖然二者均為機(jī)器學(xué)習(xí)領(lǐng)域非常流行的方法，但后者在很多方面的應(yīng)用一般都優(yōu)于前者。 神經(jīng)網(wǎng)絡(luò)是基于傳統(tǒng)統(tǒng)計(jì)學(xué)的基礎(chǔ)上的.傳統(tǒng)統(tǒng)計(jì)學(xué)研究的內(nèi)容是樣本無(wú)窮大時(shí)的漸進(jìn)理論,即當(dāng)樣本數(shù)據(jù)趨于無(wú)窮多時(shí)的統(tǒng)計(jì)性質(zhì),而實(shí)際問(wèn)題中樣本數(shù)據(jù)往往是有限的.因此,假設(shè)樣本數(shù)據(jù)無(wú)窮多,并以此推導(dǎo)出的各種算法很難在樣本數(shù)據(jù)有限時(shí)取得理想的應(yīng)用效果. 而支持向量機(jī)則是基于統(tǒng)計(jì)學(xué)理論的基礎(chǔ)上的,可以克服神經(jīng)網(wǎng)絡(luò)難以避免的問(wèn)題.通過(guò)支持向量機(jī)在逼近能力方面與BP網(wǎng)絡(luò)仿真結(jié)果的比較表明,支持向量機(jī)具有較強(qiáng)的逼近能力和泛化能力.支持向量機(jī)因其特有的優(yōu)越性在將越來(lái)越受到各領(lǐng)域的重視,具有很好的應(yīng)用前景.