黄华娟，韦修喜，周永权,2

（1.广西民族大学 信息科学与工程学院，广西 南宁 530006; 2.广西民族大学 广西高校复杂系统与智能计算重点实验室，广西 南宁 530006）

支 持 向量 机(support vector machine, SVM)自1995 年由Vapnik 提出以来就受到理论研究和工程应用2 方面的重视，是机器学习的一个研究方向和热点，已经成功应用到很多领域中[1-3]。SVM 的基本算法是一个含有不等式约束条件的二次规划(quadratic programming problem, QPP)问题，然而，如果直接求解QPP 问题，当数据集较大时，算法的效率将会下降，所需内存量也会增大[4-8]。因此，如何克服SVM 在处理大规模数据集时的效率低下问题，一直是学者们研究的热点。

为了更好地解决大规模样本的分类问题，基于粒度计算理论[9-10]和统计学习理论的思想，Tang 等于2004 年首次提出粒度支持向量机(granular support vector machine, GSVM)这个术语。GSVM 的总体思想是在原始空间将数据集进行划分，得到数据粒。然后提取出有用的数据粒，并对其进行SVM 训练[11-12]。与传统支持向量机相比，GSVM 学习机制具有以下优点：针对大样本数据，通过数据粒化和对有用粒子(支持向量粒)的提取，剔除了无用冗余的样本，减少了样本数量，提高了训练效率。然而，Tang 只是给出了GSVM 学习模型的一些设想，没有给出具体的学习算法。2009 年，张鑫[13]在 Tang 提出的GSVM 思想的基础上，构建了一个粒度支持向量机的模型，并对其学习机制进行了探讨。此后，许多学者对支持向量机和粒度计算相结合的具体模型进行了研究，比如模糊支持向量机[13]、粗糙集支持向量机[14]、决策树支持向量机[15]和商空间支持向量机[16]等。……