大样本情况下的一种新的SVM迭代算法

• 作者: 刘莉 吴秀清 田新梅
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 支持向量机 机器学习 K均值聚类算法 迭代算法
• 年，卷（期）: 2007,（8）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 205-207
• 页数: 3页
• 分类号: TP181
• 字数: 3268字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2007.08.072

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴秀清	中国科学技术大学电子工程与信息科学系	64	802	16.0	25.0
2	刘莉	中国科学技术大学电子工程与信息科学系	71	395	10.0	15.0
3	田新梅	中国科学技术大学电子工程与信息科学系	2	13	2.0	2.0