烟台师范学院学报（自然科学版）
煙檯師範學院學報（自然科學版）
연태사범학원학보（자연과학판）
YANTAI NORMAL UNIVERSITY JOURNAL(NATURAL SCIENCE EDITION)
2006年
2期
105-108
,共4页
支持向量机%增量学习算法%序列最小优化算法%加权支持向量机算法
支持嚮量機%增量學習算法%序列最小優化算法%加權支持嚮量機算法
지지향량궤%증량학습산법%서렬최소우화산법%가권지지향량궤산법
介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库,在加快训练速度、降低分类错误率等方面有改进的SVM流行算法.在分析各种算法优缺点的基础上,提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点.
介紹瞭增量學習算法、序列最小優化算法、加權支持嚮量機算法等幾種應用于大型數據庫,在加快訓練速度、降低分類錯誤率等方麵有改進的SVM流行算法.在分析各種算法優缺點的基礎上,提齣瞭在線性樣本訓練、超大規模樣本下滿足KKT條件的算法是SVM算法的髮展方嚮的觀點.
개소료증량학습산법、서렬최소우화산법、가권지지향량궤산법등궤충응용우대형수거고,재가쾌훈련속도、강저분류착오솔등방면유개진적SVM류행산법.재분석각충산법우결점적기출상,제출료재선성양본훈련、초대규모양본하만족KKT조건적산법시SVM산법적발전방향적관점.
