支持向量机处理大规模问题算法综述

被引：12

作者：

文益民 ^{[1
,2
]}

王耀南 ^{[1
]}

吕宝粮 ^{[3
]}

陈义明 ^{[4
]}

机构：

[1] 湖南大学电气与信息工程学院

[2] 湖南工业职业技术学院

[3] 上海交通大学计算机科学与工程系

[4] 湖南农业大学信息科学技术学院

来源：

计算机科学 | 2009年 / 36卷 / 07期

基金：

国家自然科学基金重点项目;

关键词：

支持向量机; 大规模问题; 机器学习;

D O I：

暂无

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

支持向量机在处理大规模问题时存在训练时间过长和内存空间需求过大的问题。分析了支持向量机在处理大规模问题时存在的局限性;对利用支持向量机处理大规模问题的各种算法进行了分类,并对每种算法的研究状况进行了较全面而深入的综述;对该领域内值得进一步研究的问题进行了讨论。

引用

页码：20 / 25+31 +31

页数：7

共 25 条

[1] 大规模数据集下支持向量机训练样本的缩减策略 [J].

罗瑜 ;

易文德 ;

王丹琛 ;

何大可 .

计算机科学, 2007, (10) :211-213

[2] 基于原型超平面的多类最接近支持向量机 [J].

杨绪兵 ;

陈松灿 .

计算机研究与发展 , 2006, (10) :1700-1705

[3] 大规模训练数据的支持向量机学习新方法 [J].

郑志洵 ;

杨建刚 .

计算机工程与设计, 2006, (13) :2425-2426+2431

[4] 基于支持向量机的增量学习算法研究 [J].

李忠伟 ;

张健沛 ;

杨静 .

哈尔滨工程大学学报, 2005, (05) :87-90

[5] MLSVM4——一种多乘子协同优化的SVM快速学习算法 [J].

业宁 ;

孙瑞祥 ;

董逸生 .

计算机研究与发展, 2005, (09) :1467-1471

[6] 针对大规模训练集的支持向量机的学习策略 [J].

李红莲 ;

王春花 ;

袁保宗 ;

朱占辉 .

计算机学报, 2004, (05) :715-719

[7] 一种适合于增量学习的支持向量机的快速循环算法 [J].

安金龙 ;

王正欧 .

计算机应用, 2003, (10) :12-14+17

[8] 支持向量机增量学习算法研究 [J].

李凯 ;

黄厚宽 .

北方交通大学学报, 2003, (05) :34-37

[9] 基于增量学习支持向量机的音频例子识别与检索 [J].

吴飞 ;

庄越挺 ;

潘云鹤 .

计算机研究与发展, 2003, (07) :950-955

[10] 序贯最小优化的改进算法 [J].

李建民 ;

张钹 ;

林福宗 .

软件学报, 2003, (05) :918-924

← 1 2 3 →