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。