10.19665/j.issn1001-2400.2019.01.011
鲁棒支持向量机及其稀疏算法
基于非凸光滑损失的鲁棒支持向量机分类模型对异常点具有鲁棒性,但已有求解算法需迭代求解二次规划,计算量大且收敛速度慢,不适合训练大规模数据问题.为了克服这些缺点,首先给出收敛速度更快的方法求解鲁棒支持向量机模型;然后基于最小二乘的思想,提出了一种推广的指数鲁棒最小二乘支持向量机模型及其快速收敛的求解算法,并从理论上解释了模型的鲁棒性;最后利用核矩阵的低秩近似,提出了适于处理大规模训练问题的稀疏鲁棒支持向量机算法和稀疏指数鲁棒最小二乘支持向量机算法.实验结果表明,新算法在收敛速度、测试精度和训练时间等方面均优于相关算法.
鲁棒支持向量机、非凸光滑损失、稀疏解、低秩近似
46
TP391(计算技术、计算机技术)
国家自然科学基金61772020
2019-05-31（万方平台首次上网日期，不代表论文的发表时间）
共9页
64-72
