مساله تفکیکپذیری از مهمترین مسائل علوم کاربردی است، که توسط ابزارهای یادگیری ماشین حل میشود. این ابزارها با شناسایی نوع دادهها در مجموعه نامتجانسدرهمریخته، مساله مورد نظر را تحلیل مینمایند. ماشین بردار پشتیبان و مدلهای توسعهیافته حاصل از ان ابزارهایی کارا و از نوع یادگیری بانظارت هستند که در این زمینه معرفی شدهاند. ابرکرهی جداکننده یکی از مدلهای توسعهیافته میباشد. این ابزار با ایده گرفتن از ماشین بردار پشتیبان دوتایی طراحی و با دو مسالهی برنامهریزی مقید درجه دوم مدلسازی شده است. در این روش دو ابرکرهی متعارف چنان هستند که بیشترین دادههای کلاس خود را پوششداده و از کلاسمقابل تا حد ممکن دور باشند. این مساله به دو صورت مدلسازی شده است. معمولا هر دو مدل با دوگان گرفتن از مساله حل میشود. یکی از روشهایی که اخیرا برای حل این مساله معرفی شده است، حل مساله اولیه میباشد. این تکنیک با وجود سرعت بالاتر، دقت قابل قبولی از تفکیک دارد. با توجه به اهمیت زمان محاسبات، استفاده از تکنیک حل مساله اولیه منطقیتر خواهد بود. تکنیک حل مساله اولیه تا کنون فقط برای یک نوع از مدلهای ابرکره جداکننده دوتایی استفاده شده است. در این مطالعه تکنیک مورد نظر، برای مسائل نوع دوم ابرکره جداکننده دوتایی به کار گرفته شده است؛ همچنین با اعمال تغییری در تکنیک حل مساله اولیه سرعت ان را افزایش دادهایم. با پیادهسازی روش در دو مجموعه از دادههای تصادفی، مشاهده میشود که با بهکارگیری روش حل مساله اولیه فضای جواب مساله به فضایی با ابعاد کمتر انتقال یافته و موجب افزایشسرعت الگوریتم میگردد.