该模型过程是支持向量学习的关键问题。现有模型选择方法采用交替的双层优化框架,内部层执行支持矢量学习,外层通过最小化泛化误差的估计进行模型选择。计算效率低。简化传统的双层优化框架,提出一个支持向量学习的多参数同时调节方法,在同一优化过程中实现模型选择和学习器训练。为一个参数向量,利用序贯无约束极小化技术(顺序无约束最小化技术,简称SUMT)分别改写支持矢量分类和回归的约束优化问题,得到多个参数同时调节模型的多元无约束形式定义;然后,证明多参数同时调节模型目标函数的局部Lipschitz连续性及水平集有界性。在此基础上,应用变尺度方法(可变度量方法,简称VMM)设计并实现了多参数同时调节算法。 ,最后,实验验证同时调节算法的收敛性,并进行实验对比同时调节算法的有效性。理论证明和实验分析表明,同时调节方法是一种可行,高效的支持矢量模型选择方法。