论文部分内容阅读
本文通过对Keerthi的改进算法2(KSMO2)的分析,提出了两种改进算法:基于动态筛选策略(dynamicfiltrationstrategy)的SMO改进算法(DFSMO)和基于先验知识(transcendentknowledge)的SMO改进算法(TKSMO)。大量实验结果表明算法DFSMO能快速地筛选出绝大多数的边界支持向量和非支持向量,并将非边界支持向量限定在很小的范围内,使KSMO2的性能得到很大的提升。算法TKSMO首先从大规模训练样本集中抽取一个很小的样本集,这个小样本集保留了原样本集的空间分布特征,然后用该样本集确定TKSMO的参数及交替搜索轮次,最后再应用于大规模训练样本集。大量实验结果表明该算法比KSMO2不仅在训练速度上有大幅度提高,而且在推广性能上也有非常稳定的增加。