！！！入门级选手的博客，请带着做英语短文改错的眼光来看
一、卷积神经网络CNN
二、支持向量机SVM
三、Adaboost（通过迭代弱分类器而产生最终的强分类器的算法)
四、算法优缺点及其发展趋势
（1）CNN最大优点是权值共享，减少了计算时间，CNN处理图像可以把原图直接输入网络，特征提取也简单，因为会简化处理，加快处理速度。
缺点：实现相对复杂，网络训练时间长而且由于其泛化性，要对处理的样本进行编号，实际研究中，很少数据是编号的，会降低工作效率。
改进：直接把图像输入网络进行处理，下一步把原始数据进行相应的预处理后再输入网络，提高识别精度，减少样本的训练时间，CNN各层映射结果是独立的，用PCA或其他算法对CNN各层映射结果进行降维融合，并作为最后的特征提取结果，可以提高识别率。
问：为什么CNN要编号？
（2）SVM是统计学算法，用于解决分类问题，SVM是把数据从低维变换到高维，并转换到线性问题来处理，所以有较高的效率与维度。
缺点：SVM是小样本的算法，在处理大量数据样本不能有很好的效果，SVM本身是解决二分类问题的算法，在多分类上有局限性。
改进：SVM的改进要针对多分类问题和大数据样本问题，通过1vs1的分类方法来构造多类问题的SVM分类器。
（3）Adaboost运用迭代思想，训练某个训练集的多个弱分类器，最终联为一个强分类器。各级弱分类器是独立的，可以选择自己的方法进行结构组成，Adaboost算法是为各级提供框架，此外，该算法没有过拟合问题。
缺点：噪声影响分类结果，对样本的训练时间长，最终结果受制于弱分类器的选择。
改进:考虑弱分类器的权值分配与算法间的集合，其中要通过大量的实验掌握权值的选择方法。弱分类器的权值分配决定了算法的性能。
问：为什么会这样的缺点？噪声不影响CNN吗？