变样本量学习最小二乘支持向量机算法

摘要：

为增加最小二乘支持向量机(LS-SVM)算法解的稀疏性,提高其运算效率,提出一种变样本量学习LS-SVM算法.从训练集中随机抽取部分样本作为初始工作集,在学习阶段将样本训练过程分为样本增量和样本减量2个阶段.在样本增量阶段,按KKT条件选取特定样本加入工作集并进行训练,在样本减量阶段,采用负松弛变量剪枝策略与基于对偶目标函数差的剪枝策略实现剪枝.在此基础上,采用工作集中的剩余样本构造学习分类器.实验结果表明,相对SMO、SMO-new、ISLS-SVM算法,该算法具有稀疏性高、运算速度快、无精度损失等优点.

关键词：最小二乘支持向量机、稀疏性、变样本量学习、预剪枝、KKT条件

所属期刊栏目：45

分类号：TP182(自动化基础理论)

资助基金：国家自然科学基金61863033;新疆维吾尔自治区自然科学基金2016D01C032

在线出版日期：2019-07-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：192-198,205