论文部分内容阅读
为了在并行计算系统中应用支持向量机，提出一种基于多支持向量机分类器的并行学习算法．分析了w-model算法的不足，并在训练过程中采用循环式反馈更新各支持向量机分类器以避免样本的分布状态对各分类器性能的影响，提高各分类器的训练精度．学习过程以平均分类精度为阈值，对部分分类器重新训练，实现对多分类器学习系统性能的全局优化．在UCI标准测试数据集上进行的实验结果表明，循环式反馈能有效地平衡多分类器学习性能相差过大的问题，算法较w-model具有更高的训练效率和分类效率．