smo算法c语言源代码,支持向量机SMO算法求解过程分析

1.SVM对偶函数最后的优化问题

2. 对核函数进行缓存

由于该矩阵是对称矩阵，因此在内存中的占用空间可以为m(m+1)/2

映射关系为：

#define OFFSET(x, y) ((x) > (y) ? (((x)+1)*(x) >> 1) + (y) : (((y)+1)*(y) >> 1) + (x))

//...

for (unsigned i = 0; i < count; ++i)

for (unsigned j = 0; j <= i; ++j)

cache[OFFSET(i, j)] = y[i] * y[j] * kernel(x[i], x[j], DIMISION);

//...

3. 求解梯度

既然α值是变量，因此对α值进行求导，后面根据梯度选取α值进行优化。

梯度：

for (unsigned i = 0; i < count; ++i)

{

gradient[i] = -1;

for (unsigned j = 0; j < count; ++j)

gradient[i] += cache[OFFSET(i, j)] * alpha[j];

}

若使W最大，则当α减少时，G越大越好。反之，G越小越好。

4. 序列最小化法(SMO)的约束条件

每次选取2个α值进行优化,其它α值视为常数，根据约束条件

得：

进行优化之后：

5. 制定选取规则

由于α的范围在区间[0,C],所以△α受α约束

若选取的

和

异号，即λ=-1，则

和

增减性相同

假设

，

若

，则

，此时应选取

上述命题可化为(注：

与

等价)

若选取的

和

同号，即λ=1，则

和

增减性相异

若

，则

，此时应选取

,

上述命题可化为(注：

与

等价)

或

将上述结论进行整理，可得(为了简便此处只选取G前的符号与y的符号相异的情况)

unsigned x0 = 0, x1 = 1;

//根据梯度选取进行优化的alpha值

{

double gmax = -DBL_MAX, gmin = DBL_MAX;

for (unsigned i = 0; i < count; ++i)

{

if ((alpha[i] < C && y[i] == POS || alpha[i] > 0 && y[i] == NEG) && -y[i] * gradient[i] > gmax)

{

gmax = -y[i] * gradient[i];

x0 = i;

}

else if ((alpha[i] < C && y[i] == NEG || alpha[i] > 0 && y[i] == POS) && -y[i] * gradient[i] < gmin)

{

gmin = -y[i] * gradient[i];

x1 = i;

}

}

}

6. 开始进行求解

alpha要求在区间[0,C]内，对不符合条件的alpha值进行调整,调整规则如下。

分2种情况，若λ=-1,即：

代入后得：

if (y[x0] != y[x1])

{

double coef = cache[OFFSET(x0, x0)] + cache[OFFSET(x1, x1)] + 2 * cache[OFFSET(x0, x1)];

if (coef <= 0) coef = DBL_MIN;

double delta = (- gradient[x0] - gradient[x1]) / coef;

double diff = alpha[x0] - alpha[x1];

alpha[x0] += delta;

alpha[x1] += delta;

unsigned max = x0, min = x1;

if (diff < 0)

{

max = x1;

min = x0;

diff = -diff;

}

if (alpha[max] > C)

{

alpha[max] = C;

alpha[min] = C - diff;

}

if (alpha[min] < 0)

{

alpha[min] = 0;

alpha[max] = diff;

}

}

若λ=1,即：

{

double coef = cache[OFFSET(x0, x0)] + cache[OFFSET(x1, x1)] - 2 * cache[OFFSET(x0, x1)];

if (coef <= 0) coef = DBL_MIN;

double delta = (-gradient[x0] + gradient[x1]) / coef;

double sum = alpha[x0] + alpha[x1];

alpha[x0] += delta;

alpha[x1] -= delta;

unsigned max = x0, min = x1;

if (alpha[x0] < alpha[x1])

{

max = x1;

min = x0;

}

if (alpha[max] > C)

{

alpha[max] = C;

alpha[min] = sum - C;

}

if (alpha[min] < 0)

{

alpha[min] = 0;

alpha[max] = sum;

}

}

然后进行梯度调整,调整公式如下：

for (unsigned i = 0; i < count; ++i)

gradient[i] += cache[OFFSET(i, x0)] * delta0 + cache[OFFSET(i, x1)] * delta1;

7.进行权重的计算

计算公式如下：

double maxneg = -DBL_MAX, minpos = DBL_MAX;

SVM *svm = &bundle->svm;

for (unsigned i = 0; i < count; ++i)

{

double wx = kernel(svm->weight, data[i], DIMISION);

if (y[i] == POS && minpos > wx)

minpos = wx;

else if (y[i] == NEG && maxneg < wx)

maxneg = wx;

}

svm->bias = -(minpos + maxneg) / 2;