«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《计算机技术与发展》[ISSN:1006-6977/CN:61-1281/TN]

卷:

期数:

2007年07期

页码:

24-27

栏目:

智能、算法、系统工程

出版日期:

1900-01-01

文章信息/Info

Title:

Analysis of OAO - SVMs＇ Training Time and Its Algorithm Improvement

文章编号:

1673-629X（2007）07-0024-04

作者:

张耿 张桂新

中南大学信息科学与工程学院

Author(s):

ZHANG Geng;  ZHANG Gui-xin

School of Information Science and Engineering, Central South University

关键词:

支持向量机; 多分类算法; 训练速度

Keywords:

support vector machine; multi- class algorithm;  training speed

分类号:

TP181

文献标志码:

A

摘要:

支持向量机（SVM）算法是统计学习理论中最年轻的分支。结构风险最小化原则使其具有良好的学习推广性。但在实际应用中，训练速度慢一直是支持向量机理论几个亟待解决的问题之一，这一点在SVM向多类问题领域推广时表现的尤为明显。文中将从样本分布与类别数量两方面人手，对传统的SVM多分类OAO算法进行训练时间性能上的分析，并引入分层的思想，提出传统OAO—SVMs算法的改进模型H—OAO—SVMs。通过与其他常见多分类SVMs训练时间的比较表明：改进后的H—OAO—SVMs模型具有更优的训练时间性能

Abstract:

SVM （support vector machine） algorithm is the newest branch of statistic learning theory. Because the structural risk minimiza- tion principle makes SVM exhibit good generalization. But in practice, training slowly is one of the questions which are not solved satisfactorily in the field of SVMs. Moreover, the defection is enlarged when expanding SVMs to multi - category classification. Analyses the training time performance of the traditional OAO - SVMs based on swatch distributing and swatch number, presents the hierarchical OAO SVMs model having the better training speed,and compares it to the others＇ multi-class algorithm based on the SVMs

备注/Memo

备注/Memo:

张耿（1977-），男，湖北人，硕士研究生，研究方向为支持向量机；张桂新，副教授，硕士，主要从事电气传动及控制、模式识别的研究

常用功能

更新日期/Last Update: 1900-01-01