论文部分内容阅读
为了求解一类支持向量机（1-SVM）的二次规划问题（QPP），利用该QPP的稀疏解集性质，提出了基于作用集的1-SVM递推式训练算法．将支持向量集设定为作用集，迭代地局部优化作用集以获得全局最优解，并引进递推式算法降低计算复杂度。不同于序贯最小优化（SMO）收敛目标函数的思路，该算法寻找支持向量在最优状态下的分布，对Karush—Kuhn—Tucker（KKT）条件不敏感，并可获得解析的最优值。仿真结果表明，本算法在计算时间和精度上均优于SMO，可有效地应用于1-SVM的大样本学习。