序列最小优化算法（Sequential minimal optimization, SMO）是一种用于解决支持向量机训练过程中所产生优化问题的算法。SMO由微软研究院的约翰·普莱特于1998年发明，被广泛使用于SVM的训练过程中，并在通行的SVM库LIBSVM中得到实现。1998年，SMO算法发表在SVM研究领域内引起了轰动，因为先前可用的SVM训练方法必须使用复杂的方法，并需要昂贵的第三方二次规划工具。而SMO算法较好地避免了这一问题。
又以预测误差平方和SSE最小为目标，构造了优选并自动生成最佳平滑参数使平滑模型得以优化的最速下降算法，增强了指数平滑模型对时间序列的适应能力。
Aiming the square sum of error (SSE), we construct the algorithm to iterate and select an optimal parameter for optimizing the new models, which ADAPTS the model to time series more.
并从支持向量机的几何原理出发提出了一种基于序列最小最优化算法的改进算法，验证结果证明了该改进算法的正确性。
From the geometrical theory of SVM, this thesis advanced a new method that bases on SMO. The experiment proved this method to be correct.
应用推荐