一種快速的支持向量機算法研究.pdf

1、V.N.Vapnik等人提出的支持向量機算法(Support Vector Machine，SVM)一種依賴于統(tǒng)計學習理論發(fā)展而來的機器學習算法，它不僅能夠有效的解決小樣本、高維數(shù)的問題，特別是針對一些非線性問題的求解也有了驚人的效果，從而被普遍應用于模式識別的各個領域，如圖形圖像檢測、文本分析及數(shù)字驗證等。即使SVM在分類學習上嶄露頭角，但其缺陷仍舊存在，比如：其所需的計算量大，計算速度緩慢以及對參數(shù)的選擇依賴經(jīng)驗等，這些缺點抑制了S

2、VM方法在大規(guī)模實際應用中的成功。因此，SVM的新方向因在于保證算法高精度低損失的情況下有針對性的提取目標支持向量。
　　 為了提高支持向量機的訓練效率，本文首先依托樣本的幾何特征分析，構(gòu)造了提取訓練集中的支持向量的兩種算法，分別為BD-SVM(Based on Distance)算法及BS-SVM(Based on the Similarity)算法。其次采用兩種算法針對較大樣本數(shù)據(jù)集進行了仿真實驗，并與標準的SVM作了比較，