支持向量機加速訓練算法研究.pdf

1、支持向量機(SVM)是由Vapnik 與其合作者提出的，它是基于統(tǒng)計學習理論的一門新興學科，是統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小化理論的具體實現(xiàn)。SVM 主要解決小樣本問題，在模型的復雜度和學習能力之間尋求最佳折衷，目的在于獲得最好的泛化能力。SVM算法成功應用于很多領(lǐng)域，但是在實際應用中也顯現(xiàn)出一些缺點，如計算量大，速度慢，依賴經(jīng)驗選擇參數(shù)等，其中速度問題在很大程度上限制了SVM的應用，成為SVM 方法在大規(guī)模實用中受到限制。因此

2、在保證分類精度變化不大的情況下，加快支持向量機的訓練速度對SVM 學習的研究具有重要的理論意義和使用價值。
　　 本文主要的研究工作是：針對支持向量機訓練速度慢的問題，在現(xiàn)有支持向量機加速訓練算法的基礎(chǔ)上，尋找一種新的SVM 加速訓練算法。SVM訓練速度慢的主要原因是大量的非支持向量參與訓練過程，從而進行了大量的二次規(guī)劃計算，導致分類計算量大、分類速度慢?；诖死碚摚诒酒恼轮?，我們首先提出了一種算法：一種基于KKT條件的SV