《基于支持向量机在线训练算法》
本文是关于支持向量机毕业论文的格式范文跟支持向量机和算法和训练方面专升本论文范文.
摘 要：支持向量回归机算法运用于在线训练环境下效率很高,因为,当每次训练集改变后,它不需要从头开始对样本进行重新学习.本文研究的一种增量与减量式的支持向量回归机在线训练算法,当在训练集中添加或删除样本时,该算法就可以有效更新回归函数,并通过逐步改变样本的系数,运用拉格朗日乘子法,从而进行迭代,最终训练完整个样本集.仿真结果表明该算法具有较高的训练效率.
关键词：支持向量机；在线训练；增量式训练；减量式训练
1 绪论
支持向量机（SVM）不仅有着统计学习理论[1]（Statistical Theory Learning,STL）的坚实理论基础作为基垫,而且具有十分直观的几何解释和接近完美的数学形式,并且适合在小样本条件下进行运用.
本文主要是研究一种增量与减量式[2]支持向量回归机在线训练算法,目的为解决传统算法在极端情況下每次新样本添加后,需要全部开始从头重新训练整个样本集的问题.该算法依据Lagrange乘数法和Karush-Kuhn-Tucker（KKT）条件,[3-4]通过在有限次数迭代[5]下从而改变样本的系数,并保持原先的样本在执行每一步时,依然满足KKT条件,以至于最后得出训练结果.
仿真结果表明,支持向量回归机在线训练算法具有较高的训练效率.
5 结语
当在训练集中添加或删除样本时,支持向量回归机在线训练算法就可以有效更新回归函数,并通过逐步改变样本的系数,运用拉格朗日乘子法,从而进行迭代,最终训练完整个样本集.且仿真结果表明该算法具有较高的训练效率.
参考文献：
[1]张一凡,冯爱民,张正林.支持向量回归增量学习[J].计算机科学,2014,41（6）：166-170.
[2]顾斌,郑关胜,王建东增.量和减量式标准支持向量机的分析[J].软件学报,2013,24（7）：1601-1613.
[3]张文兴,樊捷杰.基于KKT和超球结构的增量SVM算法的云架构入侵检测系统[J].计算机应用,2015,35（10）：2886-2890.
[4]王建,陈颖,黄少伟.基于KKT条件分解的互联电网分布式状态估计算法[J].电力系统自动化,2010,34（19）：32-36.
[5]易校石,刘念.基于支持向量机中分离超平面求取的算法[J].重庆工商大学学报（自然科学版）,2018,35（3）：66-69.
作者简介：刘晓舟（1994-）,女,汉族,硕士,主要研究领域为无线传感器网络,信息处理.
本文点评：这篇文章为一篇关于对写作支持向量机和算法和训练论文范文与课题研究的大学硕士、支持向量机本科毕业论文支持向量机论文开题报告范文和相关文献综述及职称论文参考文献资料有帮助.
支持向量机引用文献:
[1] 支持向量机论文范文 关于支持向量机方面毕业论文格式模板范文2500字
[2] 支持向量机论文范文 支持向量机方面毕业论文范文2万字
[3] 支持向量机论文范文 关于支持向量机相关论文范例2万字
