本文選題：非半正定核　切入點：SMO算法　出處：《系統(tǒng)工程》2017年04期

【摘要】：大數據背景下,如何對海量數據進行挖掘是目前研究的一個熱點問題。序列最小最優(yōu)化(SMO)算法是實現(xiàn)支持向量機(SVM)對大數據挖掘的有效算法。現(xiàn)有算法假定核函數是正定或半正定,限制了核函數的選擇。為解決這一不足,提出了針對非半正定核v-SVR的SMO算法。所提算法不僅適用于非半正定核,而且具有較好的回歸精度。
[Abstract]:Under the background of big data, How to mine mass data is a hot issue in current research. The sequential minimum optimization algorithm is an effective algorithm to realize support vector machine (SVM) mining for big data. The existing algorithms assume that the kernel function is positive definite or semidefinite. In order to solve this problem, the SMO algorithm for nonpositive semidefinite kernel v-SVR is proposed. The proposed algorithm is not only suitable for non-positive semidefinite kernel, but also has good regression accuracy.
【作者單位】： 南京郵電大學管理學院;
【基金】：國家自然科學基金青年項目(71401080) 2014年度全國統(tǒng)計科學研究重點項目(2014LZ42) 國家留學基金委項目(201508320059)
【分類號】：TP181

【相似文獻】

相關期刊論文 前1條

1 周曉劍;馬義中;朱嘉鋼;劉利平;汪建均;;求解非半正定核Huber-支持向量回歸機問題的序列最小最優(yōu)化算法[J];控制理論與應用;2010年09期

，

本文編號：1680841