核向量机与支持向量机相结合的二阶段快速学习方法

？支持向量机(svm)作为一种有效的模式分类方法，当数据集规模较大时，学习时间长、泛化能力下降；而核向量机(cvm)分类算法的时间复杂度与样本规模无关，但随着支持向量的增加，cvm的学习时间会快速增长。针对以上问题，提出一种cvm与svm相结合的二阶段快速学习算法(ccs)，首先使用cvm初步训练样本，基于最小包围球(meb)筛选出潜在核向量，构建新的最有可能影响问题解的训练样本，以此降低样本规模，并使用标记方法快速提取新样本;然后对得到的新训练样本使用svm进行训练。通过在6个数据集上与svm和cvm进行比较，实验结果表明，ccs在保持分类精度的同时训练时间平均减少了30%以上，是一种有效的大规模分类学习算法。