首页 | 本学科首页   官方微博 | 高级检索  
     

提高超大规模SVM训练计算速度的研究
引用本文:吴翔,谭李,陆文凯,张学工.提高超大规模SVM训练计算速度的研究[J].模式识别与人工智能,2003,16(1).
作者姓名:吴翔  谭李  陆文凯  张学工
作者单位:清华大学,自动化系,智能技术与系统国家重点实验室,北京,100084
摘    要:近年来用支持向量机(Support Vector Machine)解决大样本问题的尝试日渐增多.限制SVM在大样本问题中应用的一个关键因素是SVM训练所引出的超大规模二次规划问题无法由标准的二次规划方法所解决.SMO算法(Sequential Minimal Optimization)是一种有发展前途的大规模SVM训练算法,我们用块算法的思想对其进行了改进,并称改进后的算法为分块SMO算法(CSMO).新算法对于带有小支持向量集的超大样本问题在速度方面具有明显的优势.

关 键 词:支持向量机  序列最小优化  分块  二次规划

RESEARCH ON INCREASING THE COMPUTATION SPEED OF HUGE-SCALE SVM TRAINING
Abstract:
Keywords:
本文献已被 万方数据 等数据库收录!
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号