序列最小优化工作集选择算法的改进

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

序列最小优化工作集选择算法的改进

文章导航 > 电子科技大学学报 > 2013 > 42(3): 448-451

左琳. 序列最小优化工作集选择算法的改进[J]. 电子科技大学学报, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025

引用本文:

左琳. 序列最小优化工作集选择算法的改进[J]. 电子科技大学学报, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025

ZUO Lin. Improvement of Working Set Selection for SMO Method[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025

Citation:

ZUO Lin. Improvement of Working Set Selection for SMO Method[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025

序列最小优化工作集选择算法的改进

doi: 10.3969/j.issn.1001-0548.2013.03.025

左琳

1.
电子科技大学能源科学与工程学院成都 611731

基金项目:

四川省应用基础项目(2011JY0118);中央高校基本科研业务费项目(ZYGX2012J158)

作者简介:
左琳(1976-)，女，博士生，主要从事计算智能方面的研究.

中图分类号: TP31

Improvement of Working Set Selection for SMO Method

ZUO Lin

1.
School of Energy Science and Engineering,University of Electronic Science and Technology of China Chengdu 611731

摘要: 序列最小化算法(SMO)是支持向量机重要的常用分解方法。而工作集的选择是实现序列最小优化算法的关键。通过重写KKT条件，提出了一种改进的新工作集选择方法，并相应提出最小化步骤。通过将改进的支持向量机方法应用于网络用户行为数据的分析，与现有方法进行对比测试，验证了新工作集选择方法将减少支持向量机的学习时间并加快收敛过程，改进的支持向量机方法在运行效率和准确度上都有不同程度的提高。
- 改进 /
- KKT条件 /
- 序列最小优化 /
- 支持向量机 /
- 工作集选择
Abstract: Support Vector Machine (SVM) as a machine learning method has rigorous theoretical basis and been used widely in engineering practices. How to improve the convergence speed of SVM is the hot research topic. Sequential Minimal Optimization (SMO) algorithm is an important decomposition method for SVM, in particularly, the working set selection algorithm is the key part for SMO. In most cases, the working set selection is selected directly based on the KKT conditions, but in some situations, the conventional selection method can't avoid the shortcoming resulting from random selection, even can't satisfy with the KKT conditions. In this paper, the condition of working set selection is improved by rewriting the KKT conditions, and a set of new steps for minimizing SMO sub-problem is proposed accordingly. The improved method is used to analyze the users' online behaviors, by comparing with the existing methods. It is validated that the new working set selection algorithms can reduce the learning time and accelerate the convergence speed of support vector machine, and improves the computational accuracy.
- improvement /
- KKT condition /
- sequential minimal optimization /
- support vector machines /
- working set selection

[1]	黄一鸣, 雷航, 周瑞, 桑楠. 基于手机传感器的握持方式判断及运动状态识别 . 电子科技大学学报, 2017, 46(2): 399-406. doi: 10.3969/j.issn.1001-0548.2017.02.014
[2]	张静, 刘忠宝. 基于流形判别分析的全局保序学习机 . 电子科技大学学报, 2015, 44(6): 911-916. doi: 10.3969/j.issn.1001-0548.2015.06.020
[3]	高军峰, 张文佳, 杨勇, 胡佳佳, 陶春毅, 官金安. 基于P300和极限学习机的脑电测谎研究 . 电子科技大学学报, 2014, 43(2): 301-306. doi: 10.3969/j.issn.1001-0548.2014.02.028
[4]	何海江. 截断误差的光滑型支持向量顺序回归 . 电子科技大学学报, 2014, 43(1): 131-136. doi: 10.3969/j.issn.1001-0548.2014.01.022
[5]	刘忠宝. 新型支持向量机在风速预测模型中的应用研究 . 电子科技大学学报, 2014, 43(5): 754-757. doi: 10.3969/j.issn.1001-0548.2014.05.021
[6]	刘忠宝, 王士同. 面向大规模数据的隐私保护学习机 . 电子科技大学学报, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018
[7]	宋国明, 王厚军, 姜书艳, 刘红. 最小生成树SVM的模拟电路故障诊断方法 . 电子科技大学学报, 2012, 41(3): 412-417. doi: 10.3969/j.issn.1001-0548.2012.03.018
[8]	江虹, 伍春, 马景辉. 最小二乘SVM的CR认知引擎设计 . 电子科技大学学报, 2011, 40(1): 41-46. doi: 10.3969/j.issn.1001-0548.2011.01.008
[9]	丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述 . 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001
[10]	张雪芹, 顾春华, 吴吉义. 异常检测中支持向量机最优模型选择方法 . 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017
[11]	陈其松, 陈孝威, 张欣, 吴茂念. 优化SVM在锅炉负荷预测中的应用 . 电子科技大学学报, 2010, 39(2): 316-320. doi: 10.3969/j.issn.1001-0548.2010.02.035
[12]	何海江, 陈姝. 由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
[13]	陈世杰, 连可, 王厚军. 遗传算法优化的SVM模拟电路故障诊断方法 . 电子科技大学学报, 2009, 38(4): 553-558. doi: 10.3969/j.issn.1001-0548.2009.04.019
[14]	向国齐, 严志坚, 黄大贵. 支持向量机替代模型的遗传优化设计 . 电子科技大学学报, 2009, 38(3): 459-462. doi: 10.3969/j.issn.1001-0548.2009.03.034
[15]	唐艳, 柳建新, 龚安栋. ICA+CSSD的脑-机接口分类 . 电子科技大学学报, 2008, 37(3): 466-469.
[16]	胡丹, 肖建, 车畅. 再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
[17]	徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法 . 电子科技大学学报, 2008, 37(2): 274-277.
[18]	李明, 张勇, 李军权, 张亚芬. 改进PSO-SVM在说话人识别中的应用 . 电子科技大学学报, 2007, 36(6): 1345-1349.
[19]	王勇, 许录平. 独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
[20]	周鸣争, 汪军. 基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.

WeChat

点击查看大图

计量

文章访问数: 3445
HTML全文浏览量: 120
PDF下载量: 36
被引次数: 0

序列最小优化工作集选择算法的改进

doi: 10.3969/j.issn.1001-0548.2013.03.025

左琳

1. 电子科技大学能源科学与工程学院成都 611731

基金项目:

四川省应用基础项目(2011JY0118);中央高校基本科研业务费项目(ZYGX2012J158)

作者简介:
左琳(1976-)，女，博士生，主要从事计算智能方面的研究.

收稿日期: 2011-05-22
修回日期: 2011-12-27
刊出日期: 2013-06-15

中图分类号: TP31

关键词:

摘要: 序列最小化算法(SMO)是支持向量机重要的常用分解方法。而工作集的选择是实现序列最小优化算法的关键。通过重写KKT条件，提出了一种改进的新工作集选择方法，并相应提出最小化步骤。通过将改进的支持向量机方法应用于网络用户行为数据的分析，与现有方法进行对比测试，验证了新工作集选择方法将减少支持向量机的学习时间并加快收敛过程，改进的支持向量机方法在运行效率和准确度上都有不同程度的提高。

English Abstract

左琳. 序列最小优化工作集选择算法的改进[J]. 电子科技大学学报, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025

引用本文:

左琳. 序列最小优化工作集选择算法的改进[J]. 电子科技大学学报, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025

ZUO Lin. Improvement of Working Set Selection for SMO Method[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025

Citation:

ZUO Lin. Improvement of Working Set Selection for SMO Method[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(3): 448-451. doi: 10.3969/j.issn.1001-0548.2013.03.025

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发