论文研究-间隔值辅助的SMO算法改进研究.pdf

顺序最小优化（SMO）算法是现今求解支持向量机（SVM）的最优秀算法之一，其效率直接影响到SVM的训练效率。为提高SVM的训练效率，提出了一种间隔值辅助的SMO改进算法。通过一定量的经验性实验，统计总结出了间隔值随迭代次数变化的规律，即该变化呈铰链函数形态，起始阶段下降很快，经过一小段缓慢变化期后进入间隔值几乎无变化的水平区域。由此，提出并实现了SMO改进算法，通过跟踪间隔值随迭代次数的变化率，待越过拐点一小段时间后终止算法以缩短SVM训练时间。对比实验以及k分类的交叉验证（k-CV）证明，改进后的SMO算法在保持原有算法的模型预测能力的基础上，能够产生至少45%的效率提升。