非半正定核条件下v-SVR的SMO算法  

A SMO Algorithm Used for Solving v-SVR with Non-positive Semi-definite Kernels

作　　者：周晓剑 王力 侯蓉 

机构地区：[1]南京邮电大学管理学院,江苏南京210023

出　　处：《系统工程》2017年第4期149-153,共5页Systems Engineering

基　　金：国家自然科学基金青年项目(71401080);2014年度全国统计科学研究重点项目(2014LZ42);国家留学基金委项目(201508320059)

摘　　要：大数据背景下,如何对海量数据进行挖掘是目前研究的一个热点问题。序列最小最优化(SMO)算法是实现支持向量机(SVM)对大数据挖掘的有效算法。现有算法假定核函数是正定或半正定,限制了核函数的选择。为解决这一不足,提出了针对非半正定核v-SVR的SMO算法。所提算法不仅适用于非半正定核,而且具有较好的回归精度。Recently,how to dig big data has been a hot topic.Sequential Minimal Optimization（SMO）algorithm is an effective method to solve large-scale support vector machine（SVM）.The existing algorithms can only be applied into SVM with positive definite or positive semi-definite,limiting the choice of the type of kernel function.In order to cope with this drawback,a technique,which can be used to solve v-SVR with non-positive semi-definite kernels,is proposed.The proposed technique can not only be applied into non-positive semi-definite kernels but also has significant regression results.

关 键 词：非半正定核 SMO算法 v-支持向量回归机 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]