首页 | 本学科首页   官方微博 | 高级检索  
     

支撑向量机回归的简化SMO算法
引用本文:杨杰,叶晨洲,全勇,陈念贻.支撑向量机回归的简化SMO算法[J].红外与激光工程,2004,33(5):533-537.
作者姓名:杨杰  叶晨洲  全勇  陈念贻
作者单位:上海交通大学,图像处理及模式识别研究所,上海,200030
摘    要:统计学习理论中提出的支撑向量机回归(SVR)遵循了结构风险最小化原则,从而避免了一味追求经验风险最小化带来的弊端。采用扩展方法使SVR与支撑向量机分类(SVC)具有相似的数学形式,并在此基础上提出了一种用于SVR的简化SMO算法。与SVR现有的SMO算法相比,简化算法的数学形式简洁直观,在不增加算法空间和时间复杂度的前提下避免了大量繁复的判别条件,较大幅度地简化了算法实现,有利于SVR的广泛使用。

关 键 词:SMO算法  支撑向量机  统计学习理论  时间复杂度  简化算法  算法实现  结构风险最小化原则  数学形式  判别条件  回归
文章编号:1007-2276(2004)05-0533-05
收稿时间:2003/11/20
修稿时间:2003年11月20

Simplified SMO algorithm for Support Vector Regression
YANG Jie,YE Chen-zhou,QUAN Yong,CHEN Nian-yi.Simplified SMO algorithm for Support Vector Regression[J].Infrared and Laser Engineering,2004,33(5):533-537.
Authors:YANG Jie  YE Chen-zhou  QUAN Yong  CHEN Nian-yi
Abstract:A new way of Support Vector Regression (SVR)-a new regression technique based on the structural risk minimization principle is proposed, it has the similar mathematic form as that of support vector classification, and a simplified Sequential Minimal Optimization (SMO) algorithm based on it is given. Compared with the existing algorithms, the simplified one is simpler in mathematic form and much easier to be implemented without loss in space and time efficiency, which is of benefit to the extensive application of SVR.
Keywords:Support Vector Regression  Support Vector Classification  Sequential Minimal Optimization
本文献已被 CNKI 维普 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