针对大规模样本集的SMO训练策略

摘要：

SMO算法是目前解决支持向量机训练问题的一种十分有效的方法,但是当面对大样本数据时,SMO训练速度十分缓慢.首先,分析了SMO迭代过程中目标函数值的变化情况,进而提出以目标函数值的改变量作为算法终止的判定条件和在SMO迭代后期改变SMO的循环条件两种策略.在几个著名的数据集的试验结果表明,该方法可以大大缩短SMO的训练时间,特别适用于大样本数据.

关键词：支持向量机、SMO、目标函数改变量

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金10471045,60433020;广东省自然科学基金970472,000463,04020079;霍英东基金91005;教育部人文社科基金2005-241;广东省科技攻关项目2005810101010;广州市天河区科技攻关项目051G041;华南理工大学自然科学基金B13-E5050190

在线出版日期：2009-02-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：30-33