青岛大学学报（工程技术版）
青島大學學報（工程技術版）
청도대학학보（공정기술판）
JOURNAL OF QINGDAO UNIVERSITY(ENGINEERING & TECHNOLOGY EDITION)
2007年
3期
82-85
,共4页
支持向量机%增式训练算法%KKT条件
支持嚮量機%增式訓練算法%KKT條件
지지향량궤%증식훈련산법%KKT조건
针对传统的增式支持向量机算法在计算时间和分类效率上的不足,提出了一种新型的增式SVM训练算法.该算法不是简单地保留上一步训练的支持向量,而是通过增加KKT (Karush-Kuhn-Tucke)限制条件并对决策函数的输出设定一个阈值,使得保留下来的样本都是最有效的样本,从而可减少训练样本的数目.在仿真实验中,选择了一组UCI数据,并选用RBF核函数作为核函数.实验结果表明:与传统增式算法相比,新算法在保证传统SVM性能的同时,在迭代速度和分类放率上分别提高了14%和4.39%.
針對傳統的增式支持嚮量機算法在計算時間和分類效率上的不足,提齣瞭一種新型的增式SVM訓練算法.該算法不是簡單地保留上一步訓練的支持嚮量,而是通過增加KKT (Karush-Kuhn-Tucke)限製條件併對決策函數的輸齣設定一箇閾值,使得保留下來的樣本都是最有效的樣本,從而可減少訓練樣本的數目.在倣真實驗中,選擇瞭一組UCI數據,併選用RBF覈函數作為覈函數.實驗結果錶明:與傳統增式算法相比,新算法在保證傳統SVM性能的同時,在迭代速度和分類放率上分彆提高瞭14%和4.39%.
침대전통적증식지지향량궤산법재계산시간화분류효솔상적불족,제출료일충신형적증식SVM훈련산법.해산법불시간단지보류상일보훈련적지지향량,이시통과증가KKT (Karush-Kuhn-Tucke)한제조건병대결책함수적수출설정일개역치,사득보류하래적양본도시최유효적양본,종이가감소훈련양본적수목.재방진실험중,선택료일조UCI수거,병선용RBF핵함수작위핵함수.실험결과표명:여전통증식산법상비,신산법재보증전통SVM성능적동시,재질대속도화분류방솔상분별제고료14%화4.39%.
