动所蕴含的意义又使其在日常决策中不可或缺。而近些年由于机器学习方法在处理数据时所表现出来的优越性使其备受关注，考虑到在日常生活中投票方法大部分是处理中小样本及复杂数据，而机器学习中支持向量机模型在处理中小样本尤其是在处理非线性数据时具备良好性能，因此，本文从分类的角度出发，将投票方法与支持向量机相结合构建出投票支持向量机模型，在该部分中，先通过构建全信息投票特征空间，为投票方法与支持向量机的集合搭建桥梁，随后根据传统支持向量机的基础原理对全信息投票支持向量机模型进行推导和构建，在该过程中对其分类原理进行了详细剖析。随后，由于在实际生活中，投票决策不仅仅局限于二分类，因此，在此基础之上根据实际需求引入多分类策略，分别构建一对多全信息投票支持向量机模型（RFI-SVM）、一对一全信息投票支持向量机模型（OFI-SVM）、有向无环图全信息投票支持向量机模型（BFI-SVM）和决策树全信息投票支持向量机模型（DFI-SVM），在构建完模型之后还通过六组投票数据对模型的性能进行了比较分析，而最终结果显示BFI-SVM模型的分类识别性能和抗噪性都表现最优，因而本文选取BFI-SVM模型作为投票系统的基础模型。
在现有的投票方法中，大部分都是对决策对象进行综合考核，而缺乏对决策对象进行对层次考察。因此，为了实现对决策对象信息的充分挖掘，并且基于构建的多分类投票支持向量机模型特性，设计出多层次全信息投票系统。在该部分内容中主要分为三个部分，分别为信息输入模块、信息处理模块以及信息集成模块。在信息输入模块中主要对相关定义以及投票规则进行界定，并采用流程图将该过程实现可视化；信息处理模块则是所构建的多分类投票支持向量机模型的应用，其中主要包括训练数据库的选取原则，以及分类识别流程展示；最后是信息集成模块，该模块中主要借助层次分析法来确定决策对象各层次的权重，随后结合信息处理模块的输出结果确定最终的输出结果。
参考文献（略）
