论文部分内容阅读
传统最小二乘支持向量机（LSSVM）一般通过随机选择部分样本得到核矩阵的低秩近似提高解的稀疏性,为了使该近似分解用尽可能小的低秩矩阵更好地近似原核矩阵,提出一种基于正交三角（QR）分解的QRP-LSSVM稀疏算法.采用QR分解保持正交的特性挑选差异更大的样本,迭代地精选核矩阵的部分列得到核矩阵的Nystrom型低秩近似,并利用分解结果快速求得最小二乘支持向量机的稀疏解.实验分析表明,该算法在不牺牲分类性能的前提下可得到更稀疏的解,甚至在稀疏水平不超过0.05%的情况下准确率也较高,可有效解决大规模训练问题