一种增量向量支持向量机学习算法

摘要

针对传统支持向量机方法执行效率低、耗时长的问题,该文提出一种基于增量向量支持向量机学习(IV-SVM)方法。对训练样本集在核空间的增量向量进行训练,获得初始支持向量机分类器。利用该分类器在Karush-Kuhn-Tucker(KKT)条件下对初始训练样本进行修剪得到约减集,再用该约减集对初始分类器进一步加工,得到最终的支持向量机分类器。仿真结果表明,与传统支持向量机方法相比,在保证支持向量机泛化能力的条件下,IV-SVM可有效降低大容量数据样本的支持向量机训练时间。