支持向量機(jī)（svM）在解決小樣本，非線性及高維模式識(shí)別問題等方面有許多優(yōu)勢(shì)，但在處理大規(guī)模數(shù)據(jù)集時(shí)訓(xùn)練速度緩慢。針對(duì)以上問題提出了SVM學(xué)習(xí)算法硬件化的設(shè)計(jì)，它可以在保證向量機(jī)學(xué)習(xí)速度的同時(shí)，提高支持向量機(jī)的硬件資源利用效率。ECT圖像重建實(shí)驗(yàn)結(jié)果表明，在不影響分類精度的情況下，硬件實(shí)現(xiàn)有效減少了運(yùn)行時(shí)間，在一些實(shí)時(shí)性要求較高的場(chǎng)合該方法的優(yōu)點(diǎn)將尤為明顯。

　　電容層析成像（electrical capacitance tomography，ECT），它能對(duì)封閉的工業(yè)過程管道、容器等的內(nèi)部?jī)上嗔魑飯?chǎng)運(yùn)動(dòng)狀態(tài)實(shí)現(xiàn)可視化實(shí)時(shí)監(jiān)測(cè)，為兩相流參數(shù)測(cè)量提供了一種可行的新方法Ⅲ。但由于受獨(dú)立電容測(cè)量值少、系統(tǒng)敏感場(chǎng)的“軟場(chǎng)”特性及待解問題的非線性等因素的限制，使ECT系統(tǒng)圖像重建算法的求解有一定的困難，距離工業(yè)應(yīng)用的要求比較遠(yuǎn)幽。支持向量機(jī)（support vector machines，SVM）是由VVapik等提出的一種樣本學(xué)習(xí)技術(shù)，它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，具有良好的泛化能力和分類精確性捌。同時(shí)，它在解決小樣本學(xué)習(xí)、非線性以及高維模式識(shí)別等問題中表現(xiàn)出特有的優(yōu)勢(shì)川，為ECT系統(tǒng)的圖像重建提供了有力手段。