论文部分内容阅读
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。