论文部分内容阅读
支持向量机(Support Vector Machine)是建立在统计学习理论和最优化理论基础上的一种有效的解决分类问题的机器学习方法，并已在理论和应用方面有了很大进展。Twin支持向量机则是在支持向量机的基础上发展起来的，其基本思想是构造两个非平行的超平面来代替标准支持向量机的一个分划超平面，因此具有更好的泛化推广能力，已成为近年来支持向量机研究的热点。局部学习理论则在机器学习的各个领域都有了深入的研究，并在降维问题、聚类问题、半监督问题以及分类问题上有着广泛的应用。
本文以Twin支持向量机和局部学习理论为基础，以两者结合构造更有效的算法为目的，进行了深入的研究，具体包括以下两点:
(1)在局部Twin支持向量机的基础上采用类聚类算法对整个训练集分块，提出了基于局部学习思想的快速Twin支持向量机(Fast Localized Twin SVM，FLTWSVM)，提高了运算效率，从而可以处理较大规模的数据;
(2)结合了传统全局学习和局部学习思想的优点，提出了基于局部学习与全局正则化的Twin支持向量机(Local and Global Regularized Twin SVM，TWSVMLG)，算法模型与标准的SVM算法模型具有相同的易推广的结构形式，而且不需要求逆，数值实验验证了该算法的有效性。