最小二乘隐空间支持向量机

王玲 薄列峰 刘芳 焦李成

!

在隐空间中采用最小二乘损失函数$提出了 最 小 二 乘 隐 空 间 支 持 向 量 机#0*&**52H 8

同 隐 空 间 支 持 向

量机#&**52H 一样$最小二乘隐空间支持向量机不需 要 核 函 数 满 足 正 定 条 件$从 而 扩 展 了 支 持 向 量 机 核 函 数 的

选择范围

8

由于采用了最小二乘损失函数$最小二乘隐空间支持向量机产生的优 化 问 题 为 无 约 束 凸 二 次 规 划$这 比

隐空间支持向量机产生的约束凸二次规划更易求解

8

仿真实验结果表明所提算法在 计 算 时 间 和 推 广 能 力 上 较 隐 空

间支持向量机存在一定的优势

-In the hidden space, using the least square loss function space $ proposed least squares support vector machine hidden# 0* &** 52H　8

Space with the implicit support to the

The amount of machine# &** 52H　$ as an implicit least squares support vector machines do not need space to meet definite conditions $ kernel function extends SVM kernel function

Range of options

8

As a result of an implicit least squares loss function space $ least squares support vector machine optimization problem arising from the unconstrained convex quadratic programming for the $ than

Hidden space support vector machines produce more constrained convex quadratic programming solver

8

Simulation results show that the proposed method in computation time and the ability to promote a more implicit empty

Between the support vector machine there is a certain advantage