基于连续过松弛方法的支持向量回归算法

摘要：

支持向量回归(support vector regression,简称SVR)训练算法需要解决在大规模样本条件下的凸二次规划(quadratic programming,简称QP)问题.尽管此种优化算法的机理已经有了较为明确的认识,但已有的支持向量回归训练算法仍较为复杂且收敛速度较慢.为解决这些问题.首先采用扩展方法使SVR与支撑向量机分类(SVC)具有相似的数学形式,并在此基础上针对大规模样本回归问题提出一种用于SVR的简化SOR(successive overrelaxation)算法.实验表明,这种新的回归训练方法在数据量较大时,相对其他训练方法有较快的收敛速度,特别适于在大规模样本条件下的回归训练算法设计.

关键词：支持向量回归、支持向量机、SOR算法、凸二次规划、chunking算法

所属期刊栏目：15

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金50174038;国家自然科学基金30170274

在线出版日期：2004-04-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：200-206