导读:本文包含了序列最小最优化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:支持向量机,序列最小优化,快速算法
序列最小最优化算法论文文献综述
王越,吕奇峰,王泉,曾晶[1]（2013）在《一种改进的支持向量机序列最小优化算法》一文中研究指出提出一种改进的序列最小优化算法,它在选取工作集时选取优化步长最大的违反KKT条件的样本和其配对样本,并且对求解过程进行简化,从而使训练过程速度更快。实验表明,该算法是有效、可行的。(本文来源于《重庆理工大学学报(自然科学)》期刊2013年03期）
张宏灏[2]（2013）在《准线性支持向量机及其序列最小优化算法》一文中研究指出本文介绍了准线性支持向量机的理论，并提出了一种改进的序列最小优化算法来用于准线性支持向量机的训练。准线性支持向量机是具有准线性核函数的支持向量机，通过恰当地调整准线性核函数的构成，可以防止机器学习中的过学习问题。当训练数据量很大的时候，支持向量机的训练问题相当于解一个很庞大的二次规划问题，很耗费时间和内存，用常规的解二次规划问题的方法是解不出来的，序列最小优化算法是当前最常用的解这类问题的算法。在这篇论文里，我们把在构成准线性核函数时获得的分类边界信息应用于改善序列最小优化算法的收敛性能。实验结果表明，我们改进的序列最小优化算法可以大大降低准线性支持向量机的训练时间。当训练数据分布复杂，很难分时，对传统的非线性支持向量机的训练也有很大提高。(本文来源于《西安电子科技大学》期刊2013-03-01）
鲁淑霞,曹贵恩,孟洁,王华超[3]（2011）在《基于取样的潜在支持向量机序列最小优化算法》一文中研究指出为了提高潜在支持向量机求解大规模问题的训练速度,提出了基于样本取样的潜在支持向量机序列最小优化算法,去掉了大部分非支持向量,把支持向量逐渐压缩到取样样本集中.此算法特别适合大样本数据且支持向量个数相对较少的情况.实验表明,改进的序列最小优化算法加速了潜在支持向量机分类器训练时间.(本文来源于《河北大学学报(自然科学版)》期刊2011年02期）
周晓剑,马义中,朱嘉钢,刘利平,汪建均[4]（2010）在《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》一文中研究指出序列最小最优化(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.(本文来源于《控制理论与应用》期刊2010年09期）
陈卫民,宋晓峰,姜斌[5]（2007）在《基于预备工作集的最小序列优化算法》一文中研究指出为了提高支持向量机求解大规模问题的训练速度,提出了一种新的工作集选择策略——预备工作集策略:在SMO中,利用可行方向策略提取最大违反对的同时,从核缓存cache中提取违反KKT条件程度最大的一系列样本组成预备工作集,为此后历次SMO迭代优化提供工作集。该方法提高了核缓存的命中率,减少了工作集选择的代价。理论分析和实验结果表明,预备工作集策略能够很好地胜任待优化的工作集,加快了支持向量机求解大规模问题的训练速度。(本文来源于《计算机应用研究》期刊2007年10期）
周倩,翟永杰,韩璞[6]（2007）在《序列最小优化算法在电力系统短期负荷预测中的应用》一文中研究指出本文提出了一种基于序列最小优化算法(SMO)理论的电力系统短期负荷预测方法。该方法引入限定记忆思想,进行适当参数选择并改进了SMO算法。SMO算法的特点是在保证收敛的情况下把支持向量机中的二次规划问题分解为一系列子块问题来解决。而改进的SMO算法能够使块数据的长度始终保持不变,并且经实验证明,该算法能够使短期负荷预测具有很好的预测精度。(本文来源于《第二十六届中国控制会议论文集》期刊2007-07-26）
翟永杰,杨金芳,徐大平,韩璞,王东风[7]（2005）在《应用序列最小优化算法的火电厂协调系统的预测》一文中研究指出针对支持向量机二次规划(QP)算法处理大规模数据时计算复杂度高的问题,介绍了适宜处理大规模数据回归问题的序列最小优化(SMO)算法,并在该算法的基础上进行了改进,使运算速度得到进一步的提高。同时,将SMO算法及其改进算法(I-SMO)用于火电厂协调系统的预测,并同QP算法进行了比较。仿真结果表明,I-SMO算法比QP算法具有更高的预测精度和更快的运算速度,并且比SMO算法在计算速度方面又有较大的提高。图6表2参9(本文来源于《动力工程》期刊2005年06期）
肖刚,邱晓林[8]（2001）在《Con/k/n:F系统单元序列最优化的模拟退火算法》一文中研究指出ｎ中取连续ｋ （ｃｏｎ／ｋ/ｎ： Ｆ）系统单元序列最优化的实质是一个组合优化问题，该文设计了求解任意Ｃｏｎ/ｋ/ｎ：Ｆ系统全局最优配置的模拟退火算法，并以计算实例检验了该算法。(本文来源于《计算机工程与设计》期刊2001年03期）
序列最小最优化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文介绍了准线性支持向量机的理论，并提出了一种改进的序列最小优化算法来用于准线性支持向量机的训练。准线性支持向量机是具有准线性核函数的支持向量机，通过恰当地调整准线性核函数的构成，可以防止机器学习中的过学习问题。当训练数据量很大的时候，支持向量机的训练问题相当于解一个很庞大的二次规划问题，很耗费时间和内存，用常规的解二次规划问题的方法是解不出来的，序列最小优化算法是当前最常用的解这类问题的算法。在这篇论文里，我们把在构成准线性核函数时获得的分类边界信息应用于改善序列最小优化算法的收敛性能。实验结果表明，我们改进的序列最小优化算法可以大大降低准线性支持向量机的训练时间。当训练数据分布复杂，很难分时，对传统的非线性支持向量机的训练也有很大提高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
序列最小最优化算法论文参考文献
[1].王越,吕奇峰,王泉,曾晶.一种改进的支持向量机序列最小优化算法[J].重庆理工大学学报(自然科学).2013
[2].张宏灏.准线性支持向量机及其序列最小优化算法[D].西安电子科技大学.2013
[3].鲁淑霞,曹贵恩,孟洁,王华超.基于取样的潜在支持向量机序列最小优化算法[J].河北大学学报(自然科学版).2011
[4].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
[5].陈卫民,宋晓峰,姜斌.基于预备工作集的最小序列优化算法[J].计算机应用研究.2007
[6].周倩,翟永杰,韩璞.序列最小优化算法在电力系统短期负荷预测中的应用[C].第二十六届中国控制会议论文集.2007
[7].翟永杰,杨金芳,徐大平,韩璞,王东风.应用序列最小优化算法的火电厂协调系统的预测[J].动力工程.2005
[8].肖刚,邱晓林.Con/k/n:F系统单元序列最优化的模拟退火算法[J].计算机工程与设计.2001