支持向量学习中的同时多参数调整

该模型过程是支持向量学习的关键问题。现有模型选择方法采用交替的双层优化框架，内部层执行支持矢量学习，外层通过最小化泛化误差的估计进行模型选择。计算效率低。简化传统的双层优化框架，提出一个支持向量学习的多参数同时调节方法，在同一优化过程中实现模型选择和学习器训练。为一个参数向量，利用序贯无约束极小化技术（顺序无约束最小化技术，简称SUMT）分别改写支持矢量分类和回归的约束优化问题，得到多个参数同时调节模型的多元无约束形式定义；然后，证明多参数同时调节模型目标函数的局部Lipschitz连续性及水平集有界性。在此基础上，应用变尺度方法（可变度量方法，简称VMM）设计并实现了多参数同时调节算法。 ，最后，实验验证同时调节算法的收敛性，并进行实验对比同时调节算法的有效性。理论证明和实验分析表明，同时调节方法是一种可行，高效的支持矢量模型选择方法。