任逸卿，朱昌杰，吴 波

(淮北师范大学 计算机科学与技术学院，安徽 淮北 235000)

支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多优势，并能够推广应用到函数拟合等其他机器学习问题中[1].它的分类方法是建立在统计学习理论的VC维理论和结构风险最小化原理基础上的.

本文提出一种改进的SVM分类器.改进分类器的主要功能是通过引入分类圆心，分类半径，分类圆心距的概念，从而快速地对非支持向量点进行删除，提高分类速度.引入混消度的概念，保证在训练样本严重混淆时的算法泛化性[2].

1 现有的一些SVM改进算法

SVM具有很强的泛化能力.但是实际问题中，两类训练样本时常混淆严重.这种情况下，SVM分类面就非常复杂，分类效率低下.现有的解决这个问题的办法有使用NN-SVM-KNN[3]分类器以及使用SVMKNN[4]等.SVM对于数据量很大的样本的训练效率都很低，针对大规模样本的分类办法有Light-SVM，最远邻等.但是这些方法分类精度都有所下降，而且效率不高[5]，删减后依然有大量数据.

2 改进算法

解决样本混淆严重的分类问题时，算法需要既能快速地对样本中非支持向量的混淆点进行删减，又能保证训练的结果泛化能力.然而在支持向量机中，不会出现在两个样本集间隔以外的正确划分区.我们就引入下面几个概念:

一个类 S=｛t1，t2，t3，…，tn｝包含有 N个点，其中 t是 S中的一个样本，这里每个样本都是 m维向量.

分类圆心距:S=|C1-C2|，表示两个分类圆心之间的……