%0 Journal Article
%T 基于类中心的SVM训练样本集缩减改进策略
%A 庞首颜
%A 陈松
%A 魏建猛
%A 张元胜
%J 重庆交通大学学报（自然科学版）
%P 154-158
%D 2014
%R 10.3969/j.issn.1674-0696.2014.02.35
%X :？针对SVM训练样本集规模较大引发的学习速度慢、存储需求量大、泛化能力降低等问题，通过改进的样本点到类中心的方法来确定边界样本，从而大量缩减训练样本，提高训练速度。此外，针对非线性空间无法直接通过计算得到特征空间类中心的问题，提出了一种通过在特征空间中，寻找能生成最小超球的样本点来近似代替特征样本的替代策略，使得在保证分类精度的同时，提高了训练速度。
%K 信息技术
%K SVM
%K 类中心
%K 边界样本
%K 替代策略
%K informationtechnology
%K SupportVectorMachine(SVM)
%K class-center
%K boundarysample
%K alternativestrategy
%U http://xbzk.cqjtu.edu.cn/CN/abstract/abstract525.shtml