基于二阶序列最小优化的最小闭包球近似算法

摘要：

对求解大规模高维数据集的最小闭包球问题进行研究.基于机器学习中训练支持向量机的序列最小优化(Sequential Minimal Optimization,SMO)算法,提出一种近似计算最小闭包球的二阶SMO-型算法.利用Lagrangian对偶函数的二阶泰勒展开式计算新的工作集,每次迭代只更新工作集所对应可行解的两个分量,构造新的可行解,并建立二阶SMO-型算法的多项式时间复杂度.数值实验结果表明,对于大规模高维数据集,二阶SMO-型算法比一阶SMO-型算法运行速度更快,尤其结合了加速技术的二阶SMO-型算法计算效率更高.

关键词：机器学习、最小闭包球、二阶序列最小优化型算法、大规模高维数据集

所属期刊栏目：27

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金;陕西省教育厅专项科研计划项目

在线出版日期：2023-05-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：16-20