支持向量機的快速優(yōu)化算法.pdf

1、目前，SVM已經被廣泛應用于包括文本分類、圖像識別、手寫體識別、金融預測等分類與回歸問題.支持向量機(Support Vector Machine，簡稱SVM)通過求解二次規(guī)劃問題獲得最優(yōu)超平面或回歸函數，從而實現對測試樣本的預測.采用SVM，可以充分發(fā)揮它對小樣本數據處理的優(yōu)勢，用比較少的樣本得到最優(yōu)決策函數.但是SVM在解決凸二次規(guī)劃問題上的耗時長，速度慢.近年來，一些研究工作者在SVM的基礎上提出了一類雙支持向量機模型，這類模型通

2、過優(yōu)化兩個比較小的二次規(guī)劃問題間接獲得決策函數.
　　隨著信息技術的發(fā)展，越來越多的數據信息被人們快速獲取;另一方面，高速發(fā)展的社會也導致信息萬變，學習數據通常具有較強的時序性.因此，有必要討論SVM的各種模型的在線學習方式，同時應考慮到樣本的時效性.
　　本文討論了雙支持向量機(Twin Support Vector Machine，簡稱TWSVM)、雙參數間隔支持向量機(Twin Parametric-Margin Su

3、pport Vector Machine，簡稱TPMSVM)、ε-雙支持向量回歸(ε-Twin Support Vector Regression，簡稱ε-TWSVR)和雙參數不敏感支持向量回歸(TwinParametric Insensitive Support Vector Regression，簡稱TPISVR)的在線學習算法.當新樣本進入到學習序列時，這些在線學習算法通過利用拉格朗日對偶技術，將問題轉化為單（雙）變量二次規(guī)劃問題