Vapnik（瓦普尼克）于20世纪末提出的支持向量机结构，通过将样本从低微空间向高维空间的映射来实现样本的线性划分，从而可获得预测的通用规则。该理论的通用性、鲁棒性、计算高效性使机器学习理论研究取得飞速的发展。然而，实际工程的原始数据中可能隐含着一些非常规的信息，本书称为特权信息。这些具有某种特殊意义的特权信息有的仅存在部分数据中，并且这些特权信息的收集往往十分困难。然而，医学、生物、电子、信息等领域的工程数据中的某些特权信息却具有十分重要的作用。本书提出基于特权信息的灰色支持向量机理论，在对原始数据不做任何修改的情况下，能够很好地构造预测规则并能够很好地解决含有特权信息的工程实际问题，是对标准支持向量机的拓展与补充。

更多科学出版社服务，请扫码获取。