检索结果-维普期刊中文期刊服务平台

一种训练支撑向量机的改进贯序最小优化算法被引量：25: 1; 作者孙剑郑南宁张志华《软件学报》 EI CSCD 北大核心 2002年第10期2007-2013,共7页; 对于大规模问题,分解方法是训练支撑向量机主要的一类方法.在很多分类问题中,有相当比例的支撑向量对应的拉格朗日乘子达到惩罚上界,而且在训练过程中到达上界的拉格朗日乘子变化平稳.利用这一统计特性,提出了一种有效的缓存策略来加速... 展开更多; 关键词支撑向量机贯序最小优化算法机器学习模式分类二次规划缓存策略; 在线阅读下载PDF 职称材料

一种改进的序贯最小优化算法被引量：5: 2; 作者骆世广杨晓伟 +1 位作者吴广潮张新华《计算机科学》 CSCD 北大核心 2006年第11期146-148,共3页; 序贯最小优化(SMO)算法是目前解决支持向量机训练问题的一种十分有效的方法,但是当面对大样本数据时,SMO训练速度比较慢。本文分析了SMO迭代过程中目标函数值的变化情况,进而提出以目标函数值的改变量作为算法终止的判定条件。几个著名... 展开更多; 关键词支持向量机序贯最小优化算法; 在线阅读下载PDF 职称材料

一种改进序贯最小优化算法的方法被引量：2: 3; 作者项堃喻莹《现代电子技术》 2013年第8期17-19,共3页; 序贯最小优化算法(SMO)是支持向量机(SVM)训练算法中一种十分有效的改进方法,但针对大规模样本数据时,SMO训练速度仍比较慢。为了提高训练速度,在基本保持训练精度的前提下,提出了一种改进优化策略:即跳过部分与精度无关的向量集、提前... 展开更多; 关键词支持向量机序贯最小优化算法去除无关向量收缩工作集; 在线阅读下载PDF 职称材料

基于并行处理的序贯最小优化算法: 4; 作者于红彬曾志强《郑州轻工业学院学报（自然科学版）》 CAS 2009年第3期28-31,共4页; 以对称多处理机为硬件基础,采用并行计算的方式对序贯最小优化算法进行改进.实验表明,改进后的算法能够在不影响结果分类器分类精度的前提下,极大地提高支持向量机的训练速度,并且,样本数量越大、维度越高,采用并行算法的训练效率的提... 展开更多; 关键词支持向量机序贯最小优化算法并行计算训练效率; 在线阅读下载PDF 职称材料

加快SMO算法训练速度的策略研究被引量：4: 5; 作者骆世广骆昌日《计算机工程与应用》 CSCD 北大核心 2007年第33期184-187,共4页; SMO(序贯最小优化算法)算法是目前解决支持向量机训练问题的一种十分有效的方法,但是当面对大样本数据时,SMO训练速度比较慢。考虑到在SVM的优化过程中并不是所有样本都能影响优化进展,提出了两种删除样本的策略:一种是基于距离,一种是... 展开更多; 关键词支持向量机序贯最小优化算法 SHRINKING; 在线阅读下载PDF 职称材料

基于改进SMO的SVDD快速训练算法被引量：1: 6; 作者李丹阳蔡金燕 +2 位作者杜敏杰朱赛张峻宾《中国测试》 CAS 北大核心 2015年第11期101-105,共5页; 针对传统支持向量数据描述(support vector data description,SVDD)训练中存在的训练速度慢、存储核矩阵需要的空间开销大、计算量大、算法效率低等问题,提出一种基于改进序贯最小优化(SMO)算法的SVDD快速训练方法。该算法针对原有SMO... 展开更多; 关键词序贯最小优化算法快速训练 KKT条件工作集选择支持向量数据描述; 在线阅读下载PDF 职称材料

题名一种训练支撑向量机的改进贯序最小优化算法被引量：25: 1; 作者孙剑郑南宁张志华; 机构西安交通大学人工智能与机器人研究所; 出处《软件学报》 EI CSCD 北大核心 2002年第10期2007-2013,共7页; 基金国家自然科学基金资助项目(60175006 60024301) 国家创新研究群体科学基金项目(60024301)~; 文摘对于大规模问题,分解方法是训练支撑向量机主要的一类方法.在很多分类问题中,有相当比例的支撑向量对应的拉格朗日乘子达到惩罚上界,而且在训练过程中到达上界的拉格朗日乘子变化平稳.利用这一统计特性,提出了一种有效的缓存策略来加速这类分解方法,并将其具体应用于Platt的贯序最小优化(sequential minimization optimization,简称SMO) 算法中.实验结果表明,改进后的SMO算法的速度是原有算法训练的2~3倍.; 关键词支撑向量机贯序最小优化算法机器学习模式分类二次规划缓存策略; Keywords support vector machine pattern classification quadratic programming caching strategy sequential minimization optimization algorithm; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名一种改进的序贯最小优化算法被引量：5: 2; 作者骆世广杨晓伟吴广潮张新华; 机构华南理工大学数学科学学院华中师范大学计算机科学系; 出处《计算机科学》 CSCD 北大核心 2006年第11期146-148,共3页; 文摘序贯最小优化(SMO)算法是目前解决支持向量机训练问题的一种十分有效的方法,但是当面对大样本数据时,SMO训练速度比较慢。本文分析了SMO迭代过程中目标函数值的变化情况,进而提出以目标函数值的改变量作为算法终止的判定条件。几个著名的数据集的试验结果表明,该方法可以大大缩短SMO的训练时间,特别适用于大样本数据。; 关键词支持向量机序贯最小优化算法; Keywords Support vector machine, Sequential minimal optimization algorithm; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名一种改进序贯最小优化算法的方法被引量：2: 3; 作者项堃喻莹; 机构华中师范大学计算机学院; 出处《现代电子技术》 2013年第8期17-19,共3页; 文摘序贯最小优化算法(SMO)是支持向量机(SVM)训练算法中一种十分有效的改进方法,但针对大规模样本数据时,SMO训练速度仍比较慢。为了提高训练速度,在基本保持训练精度的前提下,提出了一种改进优化策略:即跳过部分与精度无关的向量集、提前结束循环、松弛KKT条件以便收缩工作集。经过几个著名的数据集的试验结果表明,此策略可以大幅缩短SMO的训练时间,并且精度没有明显变化。; 关键词支持向量机序贯最小优化算法去除无关向量收缩工作集; Keywords SVM SMO unrelated vector of removing shrink of working set; 分类号 TN911.34 [电子电信—通信与信息系统] TP312 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名基于并行处理的序贯最小优化算法: 4; 作者于红彬曾志强; 机构郑州轻工业学院轻工职业学院厦门理工学院计算机科学与技术系; 出处《郑州轻工业学院学报（自然科学版）》 CAS 2009年第3期28-31,共4页; 文摘以对称多处理机为硬件基础,采用并行计算的方式对序贯最小优化算法进行改进.实验表明,改进后的算法能够在不影响结果分类器分类精度的前提下,极大地提高支持向量机的训练速度,并且,样本数量越大、维度越高,采用并行算法的训练效率的提高就越显著.; 关键词支持向量机序贯最小优化算法并行计算训练效率; Keywords support vector machine sequential minimal optimization algorithm parallel computing training efficiency; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名加快SMO算法训练速度的策略研究被引量：4: 5; 作者骆世广骆昌日; 机构广东金融学院应用数学系华中师范大学网络学院; 出处《计算机工程与应用》 CSCD 北大核心 2007年第33期184-187,共4页; 基金国家自然科学基金(the National Natural Science Foundation of China under Grant No.10471045 No.60433020) +8 种基金 No.000463 No.04020079) China under Grant No.2005B10101010) 霍英东基金( No.91005) 华南理工大学自然科学基金(No.B13-E5050190); 文摘 SMO(序贯最小优化算法)算法是目前解决支持向量机训练问题的一种十分有效的方法,但是当面对大样本数据时,SMO训练速度比较慢。考虑到在SVM的优化过程中并不是所有样本都能影响优化进展,提出了两种删除样本的策略:一种是基于距离,一种是基于拉格朗日乘子的值。在几个著名的数据集的试验结果表明,两种策略都可以大大缩短SMO的训练时间,特别适用于大样本数据。; 关键词支持向量机序贯最小优化算法 SHRINKING; Keywords Support Vector Machine Sequential Minimal Optimization algorithm shrinking; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于改进SMO的SVDD快速训练算法被引量：1: 6; 作者李丹阳蔡金燕杜敏杰朱赛张峻宾; 机构军械工程学院光学与电子工程系; 出处《中国测试》 CAS 北大核心 2015年第11期101-105,共5页; 文摘针对传统支持向量数据描述(support vector data description,SVDD)训练中存在的训练速度慢、存储核矩阵需要的空间开销大、计算量大、算法效率低等问题,提出一种基于改进序贯最小优化(SMO)算法的SVDD快速训练方法。该算法针对原有SMO算法仅能处理单类样本的缺陷,提出一种可以处理负样本的改进方法,给出详细的计算推导过程,并针对KKT判定条件、工作集选择等关键问题进行改进。试验证明:与传统的SVDD训练算法相比,基于改进SMO算法的SVDD快速训练方法训练时间短,计算量小,分类准确度高,空间开销小,更适合于大规模数据的快速训练,具有较高的工程应用价值。; 关键词序贯最小优化算法快速训练 KKT条件工作集选择支持向量数据描述; Keywords SMO fast training KKT conditions working set selection SVDD; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程] O221.2 [理学—运筹学与控制论]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	一种训练支撑向量机的改进贯序最小优化算法	孙剑郑南宁张志华	《软件学报》 EI CSCD 北大核心	2002	25	在线阅读下载PDF 职称材料
2	一种改进的序贯最小优化算法	骆世广杨晓伟吴广潮张新华	《计算机科学》 CSCD 北大核心	2006	5	在线阅读下载PDF 职称材料
3	一种改进序贯最小优化算法的方法	项堃喻莹	《现代电子技术》	2013	2	在线阅读下载PDF 职称材料
4	基于并行处理的序贯最小优化算法	于红彬曾志强	《郑州轻工业学院学报（自然科学版）》 CAS	2009	0	在线阅读下载PDF 职称材料
5	加快SMO算法训练速度的策略研究	骆世广骆昌日	《计算机工程与应用》 CSCD 北大核心	2007	4	在线阅读下载PDF 职称材料
6	基于改进SMO的SVDD快速训练算法	李丹阳蔡金燕杜敏杰朱赛张峻宾	《中国测试》 CAS 北大核心	2015	1	在线阅读下载PDF 职称材料