大样本情况下的一种新的SVM迭代算法

摘要：

针对SVM方法在大样本情况下学习和分类速度慢的问题,提出了大样本情况下的一种新的SVM迭代训练算法.该算法利用K均值聚类算法对训练样本集进行压缩,将聚类中心作为初始训练样本集,减少了样本间的冗余,提高了学习速度.同时为了保证学习的精度,采用往初始训练样本集中加入边界样本和错分样本的策略来更新训练样本集,迭代训练直到错分样本数目不变为止.该文提出的基于K均值聚类的SVM迭代算法能在保持学习精度的同时,减小训练样本集及决策函数的支持向量集的规模,从而提高学习和分类的速度.

关键词：支持向量机、机器学习、K均值聚类算法、迭代算法

所属期刊栏目：33

分类号：TP181(自动化基础理论)

资助基金：国家高技术研究发展计划863计划2004AA783052

在线出版日期：2007-06-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：205-207