基于邊界向量預選的支持向量機算法研究.pdf

1、支持向量機是一種基于統(tǒng)計學習理論的新一代機器學習技術(shù)，已廣泛應用于手寫數(shù)字識別、人臉識別、文本分類、回歸預測、時間序列分析等領(lǐng)域。支持向量機的計算復雜度取決于訓練樣本的個數(shù)，所以面對具有大數(shù)據(jù)量的現(xiàn)實問題時，支持向量機的訓練效率低下。 根據(jù)支持向量機理論，訓練出的最優(yōu)分類超平面只與支持向量有關(guān)。大部分情況下訓練樣本中的支持向量很少，所以在訓練前確定一個小范圍的邊界向量集，使其包括全部的支持向量，用此邊界向量集進行訓練，則可以在不

2、影響分類精度和泛化性能的前提下顯著縮短支持向量機的訓練時間。本文在研究總結(jié)了邊界向量預選算法的基礎上，將其大致歸納為兩類，一類是基于類中心型的邊界向量預選算法，一類是基于NN型的邊界向量預選算法。并針對基于類中心型的預選算法只對均勻分布的訓練樣本預選效果好的缺點，利用數(shù)學建模的方法提出一種新的改進算法；針對基于NN型的預選算法預選邊界向量集過大或過小的缺點，利用密度聚類的方法進行算法改進。實驗表明在不降低泛化精度的前提下，能有效提高邊界