论文部分内容阅读
传统支持向量机训练大规模样本时间和空间开销大，使其应用受到了很大限制。为了提高支持向量机的训练速度，根据支持向量机的基本原理，应用K最近邻思想来筛选训练样本集，提出了基于K最近邻的支持向量机快速训练算法（KNN—SVM）。算法首先选取一部分最有可能成为支持向量的样本——边界向量，然后用边界向量集代替训练样本集进行支持向量机训练，大幅度减少了训练样本的数量，使支持向量机的训练速度显著提高。同时，由于边界向量包含了支持向量，因此，支持向量机的分类能力没有受到影响。仿真实验结果表明，与传统支持向量机相比，在分类