非半正定核条件下v-SVR的SMO算法

发布时间：2018-03-29 11:02

本文选题：非半正定核　切入点：SMO算法　出处：《系统工程》2017年04期

【摘要】：大数据背景下,如何对海量数据进行挖掘是目前研究的一个热点问题。序列最小最优化(SMO)算法是实现支持向量机(SVM)对大数据挖掘的有效算法。现有算法假定核函数是正定或半正定,限制了核函数的选择。为解决这一不足,提出了针对非半正定核v-SVR的SMO算法。所提算法不仅适用于非半正定核,而且具有较好的回归精度。
[Abstract]:Under the background of big data, How to mine mass data is a hot issue in current research. The sequential minimum optimization algorithm is an effective algorithm to realize support vector machine (SVM) mining for big data. The existing algorithms assume that the kernel function is positive definite or semidefinite. In order to solve this problem, the SMO algorithm for nonpositive semidefinite kernel v-SVR is proposed. The proposed algorithm is not only suitable for non-positive semidefinite kernel, but also has good regression accuracy.
【作者单位】：南京邮电大学管理学院;
【基金】：国家自然科学基金青年项目(71401080) 2014年度全国统计科学研究重点项目(2014LZ42) 国家留学基金委项目(201508320059)
【分类号】：TP181

【相似文献】