首页> 中文学位 >基于大数据集学习问题的支持向量机训练算法研究
【6h】

基于大数据集学习问题的支持向量机训练算法研究

代理获取

目录

文摘

英文文摘

原创性声明及本论文使用授权说明

第一章绪论

第二章支持向量机的理论基础与几何解释

第三章SMO算法的研究与改进

第四章基于MEB问题的支持向量机训练算法

第五章结论与展望

参考文献

作者在攻读硕士学位期间发表的论文

致谢

展开▼

摘要

本文对基于大数据集学习问题的支持向量机训练算法进行了研究。文章首先围绕最大间隔超平面的思想,基于凸包与约简凸包的概念从几何角度对支持向量机进行了分析与解释;其次基于分解与可行方向的优化技术,从工作集选择策略、缓存的使用等角度对标准序列最小优化SMO(SequentialMinimalOptimization)算法进行了改进,显著提高了支持向量机在大数据集上的训练效率;然后,根据计算几何中最小覆盖球MEB(MinimumEnclosingBall)问题求解的研究进展,设计了基于MEB问题的支持向量机训练算法SVMM(SVMbasedonMEB),并且实现了一种具体应用于二值分类的SVMM算法——bSVMM(binarySVMM),实验结果表明bSVMM算法有效增强了支持向量机在大数据集上的可扩展性。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号