结合本征分解和抽样学习的快速SVM分类器

为了提高经典支持向量机(SVM)分类器的运算效率,提出一种改进的快速SVM分类器。针对低维空间向高维空间变换时核矩阵运算效率低的问题,采用本征分解方法对核矩阵进行降维处理,得到核矩阵的近似表示;同时,对训练子集进行划分,随机抽样训练样本进行学习,进一步提高SVM分类器的运算效率。图像分类实验结果表明,改进的SVM分类器不仅分类正确率高于经典SVM、随机森林和神经网络分类器,而且训练耗时最少,平均分类耗时也低于经典SVM分类器。