非线性SGD算法改进预测超平面表示方法的研究

• 作者: 金钊 鲁淑霞
• 来源期刊: 信息与电脑
• 学科: 工学
• 关键词: 随机梯度下降 支持向量机 非线性 预测速度
• 年，卷（期）: 2016,（13）
• 所属期刊栏目: 算法语言
• 页码范围: 99-99,102
• 页数: 2页
• 分类号: TP301.6
• 字数: 1287字
• 语种: 中文

摘要

随机梯度下降算法（SGD）在每次迭代过程中只对一个训练样例进行处理，它能够快速得到线性可分SVM问题的解。通过引入核函数，可以对非线性可分SVM问题进行求解。非线性SGD算法中，W是用之前所选择的所有训练样例来表示的，即用来表示W的训练样例的个数会随着迭代次数的增加而增加。笔者提出一个新的方法，将最终训练出的W用较少的训练样例来表示，从而加快了预测超平面的预测速度。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	鲁淑霞	河北大学数学与信息科学学院	20	52	4.0	6.0
2	金钊	河北大学数学与信息科学学院	3	7	2.0	2.0