论文部分内容阅读
支持向量机（support vector machine，SVM）仅利用靠近分类边界的支持向量构造最优分类超平面，但求解SVM需要整个训练集，当训练集的规模较大时，求解SVM需要占用大量的内存空间，寻优速度非常慢。针对这一问题，提出了一种称为样例约简的寻找候选支持向量的方法。在该方法中，支持向量大多靠近分类边界，可利用相容粗糙集技术选出边界域中的样例，作为候选支持向量，然后将选出的样例作为训练集来求解SVM。实验结果证实了该方法的有效性，特别是对大型数据库，该方法能有效减少存储空间和执行时间。