目前研究现状.pptVIP

SVM研究 各种变形支持向量机算法 降低训练时间和减少计算复杂性的训练算法 提高推广能力的模型选择方法 支持向量集合的性质和核函数法的机理 多类别分类方法 提高SVM泛化速度的方法 嵌入先验知识的SVM设计方法 Hybrid Kernel SVM SVM 增量训练 SVM Ensemble SVM 规则抽取 SVM 聚类 SVM 数字实现 SVM与其它方法的结合(rough set, pca,wavelet,……) 应用 各种变形支持向量机算法 C- SVM算法及其变形算法系列 NEW-SVM算法及其变形算法系列 One-class SVM算法 WSVM（weighted SVM）算法 Fuzzy SVM LS-SVM算法 DirectSVM 算法 …… 降低训练时间和计算复杂性的训练算法 分块法(chunking)：判别函数只与支持向量有关，如果只取支持向量作为训练样本，得到的判别函数与所有样本作为训练样本得到的判别函数是一致的。将海量样本数据集分成若干个小规模的样本集。在对每个样本子集学习时，只需将上个样本子集得到的支持向量与当前的样本子集进行新的优化计算。缺点是支持向量数目非常大时，优化方法仍难以实现。 分解法(decomposition) : 选择q个拉格朗日乘子作为优化变量(q不变，工作集），而其他拉格朗日乘子值固定。分解法的子问题求解不像分块法那样求解规模会随着支持向量数量的增加而增加，而是固定不变的。 分解法的关键是在每次迭代过程中如何选择工作集以及算法的收敛性。SMO Successive over-relaxation Iterative nearest-point algorithm …… 提高推广能力的模型选择方法 K-Fold cross-validation，LOO，RM，Xi-Alpha…… Evaluation of simple performance measures for tuning SVM hyperparameters--- Neurocomputing 2002 Choosing multiple parameters for support vector machines----Machine Learning ,46,131-159,2002 Model selection for support vector machine classification---Neurocomputing 55 (2003) 221-249 Hyperparameter design criteria for support vector classifier----Neurocomputing 55 (2003) 109-134 以上方法侧重分类问题的模型选择。回归：epsilon …… 支持向量集合的性质和核函数法的机理 支持向量集合是分类问题的关键子集吗？只要关于该子集的分类问题得到解决，则对应的原问题也得到解决，这样的子集就是分类问题的关键子集。 核函数法的机理：核函数为什么能将原来是线性不可分的问题转化为线性可分的问题？ 可参考安徽大学张玲教授的工作。 …… 多类别分类方法 IEEE Transactions on NN VOL.13,NO.2 MARCH 2002 ---A Comparison of methods for muticlass support vector machines One vs one One vs rest DDAG 决策导向无环图 Error-correcting output codes(纠错代码法） 多类问题整体考虑 …… 提高SVM泛化速度的方法 训练好的SVM如果支持向量多的话，泛化速度将很慢 支持向量用作回归工具，以用户给定精度逼近决策面 利用更小数目的基函数逼近原来的决策面 Osuna,E., and F.Girosi,1998.”Reducing the run-time complexity of support vector machines,” ICPR98. Improving the accuracy and speed of support vector machines----NIPS vol.9 ,375-381 1997 RSVM …… 嵌入先验知识的svm设计方法 将任务的先验知识合并到学习机器的设计中 在代价函数中包含一个附加项，构造一个加入先验知识的函数---正则化 从已给训练样本中产生虚拟样本 Incorporating Invariance In Support Vector learning Machines---ICANN’96 …… Hybrid Kernel S