引用本文:周晓剑,马义中,朱嘉钢,刘利平,汪建均.求解非半正定核Huber–支持向量回归机问题的序列最小最优化算法[J].控制理论与应用,2010,27(9):1178~1184.[点击复制]
ZHOU Xiao-jian,MA Yi-zhong,ZHU Jia-gang,LIU Li-ping,WANG Jian-jun.Sequential-minimal-optimization algorithm for solving Huber-suppor-vector-regression with non-positive semi-definite kernels[J].Control Theory and Technology,2010,27(9):1178~1184.[点击复制]
求解非半正定核Huber–支持向量回归机问题的序列最小最优化算法
Sequential-minimal-optimization algorithm for solving Huber-suppor-vector-regression with non-positive semi-definite kernels
摘要点击 2500  全文点击 1860  投稿时间：2009-04-08  修订日期：2009-10-30
查看全文  查看/发表评论  下载PDF阅读器
DOI编号  10.7641/j.issn.1000-8152.2010.9.CCTA090393
  2010,27(9):1178-1184
中文关键词  支持向量机  非半正定核  序列最小最优化算法  Huber–支持向量回归机
英文关键词  support-vector-machine  non-positive semi-definite kernel  sequential-minimal-optimization algorithm  Huber-support vector regression
基金项目  国家自然科学基金重点资助项目(70931002); 国家自然科学基金资助项目(70672088).
作者单位E-mail
周晓剑* 南京理工大学 管理科学与工程系 xjzhou2008@yahoo.com.cn 
马义中 南京理工大学 管理科学与工程系  
朱嘉钢 江南大学 信息工程学院  
刘利平 南京理工大学 管理科学与工程系  
汪建均 南京理工大学 管理科学与工程系  
中文摘要
      序列最小最优化(SMO)算法是求解大型支持向量机(SVM)问题的有效算法. 已有的算法都要求核函数是正定的或半正定的, 从而使其应用受到限制. 针对这种缺点, 本文提出一种新的的SMO算法,可求解非半正定核Huber-SVR问题. 提出的算法在保证收敛的前提下可使非半正定Huber-SVR能够达到比较理想的回归精度, 因而具有一定的理论意义和实用价值.
英文摘要
      Sequential-minimal-optimization(SMO) algorithm is effective in solving large-scale support-vectormachine(SVM) problems. However, the existing algorithms require the kernel functions to be positive definite(PD) or positive semi-definite(PSD), thus limiting their applications. Having considered their deficiencies, we propose a new algorithm for solving Huber-SVR problems with non-positive semi-definite(non-PSD) kernels. This algorithm provides desirable regression-accuracies while ensuring the convergence. Thus, it is of theoretical and practical significance.