基于变分不等式的支持向量机优化算法研究

发布时间：2018-05-17 05:01

  本文选题：变分不等式 + 支持向量机　； 参考：《高校应用数学学报A辑》2017年04期

【摘要】：由于标准支持向量机模型是一个二次规划问题,随着数据规模的增大,求解算法过程会越来越复杂.在K-SVCR算法结构的基础上,构造了严格凸的二次规划新模型,该模型的主要特点是可以将其一阶最优化条件转化为变分不等式问题,利用Fischer-Burmeister(FB)函数将互补问题转化为光滑方程组;建立光滑快速牛顿算法求解,并证明了该算法所产生的序列是全局收敛;利用标准数据集测试提出算法的有效性,在训练正确率和运行时间上与K-SVCR算法相比都有较好的表现,实验结果表明该算法可行且有效.
[Abstract]:Because the standard support vector machine model is a quadratic programming problem, the algorithm will become more and more complex with the increase of the data scale. Based on the structure of K-SVCR algorithm, a new model of strictly convex quadratic programming is constructed. The main feature of this model is that the first order optimization conditions can be transformed into variational inequality problems, and the complementarity problem can be transformed into smooth equations by Fischer-Burmeister FB function. The smooth and fast Newton algorithm is established to solve the problem, and it is proved that the sequence generated by the algorithm is globally convergent, the validity of the algorithm is tested by using standard data set, and the training accuracy and running time of the algorithm are better than that of K-SVCR algorithm. Experimental results show that the algorithm is feasible and effective.
【作者单位】： 黑龙江八一农垦大学信息与计算科学系;黑龙江八一农垦大学经济管理学院;
【基金】：大庆市指导性科技计划(zd-2016-078) 大学生创新创业训练计划(201610223003) 黑龙江八一农垦大学博士科研启动项目(XDB2015-23)
【分类号】：TP18

【相似文献】

相关期刊论文 前10条

1 邹斌,李落清;支持向量机回归与v-支持向量机分类解的关系[J];湖北大学学报(自然科学版);2004年01期

2 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

3 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

4 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

5 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

6 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

7 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

8 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

相关会议论文 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

3 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

4 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

5 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

6 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

7 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

8 张晓滨;尹英顺;赵培坤;马秀兰;;基于渐进直推支持向量机的半对半多类文本分类[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

9 徐会敏;王玉兰;;线性规划支持向量机模型的研究[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

10 郭一楠;程健;肖大伟;杨梅;;分布式多分类支持向量机[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

相关博士学位论文 前10条

1 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年

2 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年

3 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年

4 张华美;穿墙雷达基于支持向量机的成像算法研究[D];南京邮电大学;2015年

5 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年

6 夏书银;基于分类噪声检测的支持向量机算法研究[D];重庆大学;2015年

7 闫辛;半监督支持向量机模型与算法研究[D];上海大学;2016年

8 陈素根;非平行平面支持向量机及特征提取中若干问题研究[D];江南大学;2016年

9 刘大莲;大规模稀疏支持向量机算法研究[D];北京交通大学;2017年

10 鞠哲;基于支持向量机的赖氨酸翻译后修饰位点预测方法研究[D];大连理工大学;2016年

相关硕士学位论文 前10条

1 彭扬;基于变分不等式的支持向量机算法研究[D];南京大学;2016年

2 佟乐;添加Universum数据双支持向量机[D];河北大学;2015年

3 胡金扣;鲁棒支持向量机研究[D];河北大学;2015年

4 邱志勇;一类支持张量机及其算法研究[D];华南理工大学;2015年

5 李萌;基于支持向量机的高分遥感影像分类技术研究与应用[D];中国地质大学(北京);2015年

6 李胜刚;基于支持向量机的短期风电功率预测[D];湖南工业大学;2015年

7 孙亭亭;基于支持向量机的燃煤机组燃烧优化算法的研究[D];山东大学;2015年

8 王芳;基于支持向量机的沪深300指数回归预测[D];山东大学;2015年

9 武放;基于支持向量机的复杂工业系统典型非正常工况分类问题研究[D];哈尔滨工业大学;2015年

10 王恩;监督和半监督支持向量机研究[D];西安邮电大学;2015年

，

本文编号：1900002