1、在模式識別領域,訓練SVM的問題最優(yōu)轉化為求解一個多變量的二次規(guī)劃問題,隨著樣本數目的增多,經典的求解算法面臨著存儲空間太大的困難.目前,解決大樣本分類問題的主要方法是分解算法.由于需要不斷地選擇工作集,并且受傳統(tǒng)優(yōu)化方法的影響,工作集中的元素個數又不能太多,因此分解算法一般比較慢.2001年,基于矩陣降階求逆的思想,Mangasarian提出了一種高效的迭代算法——拉格朗日支撐矢量機(LSVM).對于線性分類問題,該算法是目前最快的.

2、但是,它不能解決大樣本的非線性分類問題.為了充分利用分解算法和LSVM的優(yōu)點,我們在SVM<'Light>分解算法的基礎上對LSVM進行了改進,提出了高效率的訓練算法ELSVM(Extended Lagrange Support Vector Machine).該文從理論上證明了ELSVM算法的收斂性.作者對UCI標準數據測試集中的若干測試樣本進行測試,將ELSVM算法與SVM<'Light>算法、LSVM算法的訓練結果進行了比較.結果