支持向量機增量學習算法的研究與應用.pdf

1、支持向量機(Support Vector Machine，SVM)是一種在統(tǒng)計學習理論的基礎(chǔ)上求解最優(yōu)分類超平面的機器學習方法，在解決小樣本、非線性、高維的數(shù)據(jù)問題中表現(xiàn)出了優(yōu)勢。然而，經(jīng)典的支持向量機訓練算法是不支持增量式學習的，因此對支持向量機增量學習的研究具有重要的意義。
　　為改進經(jīng)典的支持向量機增量學習算法在訓練時間與精度方面的性能，論文將學習過程分為初始訓練階段與增量學習階段兩個步驟完成，重點研究基于改進初始訓練樣本集

2、選取和增量學習中非支持向量集選取的支持向量機方法。從支持向量機分類原理可知，訓練初始階段得到的支持向量集都包含在對應的邊界向量集當中，論文改進k近鄰法用于選取邊界向量集作為初始訓練集，方法為:所選擇的初始求距離點不是從各類別的樣本中隨機選取，而是通過一種以各類樣本中心的巾心點為圓心，距離的一半為半徑作圓來求得各類別對應的邊界向量。這種方法相比于k近鄰法來說減少了初始的訓練時間。在增量學習階段:目前常采用(Karush-Kuhn-TucK

3、e，KKT)條件選取有效的非支持向量集，在訓練樣本集很大時難以達到要求。該文采用了中心密度的方法來選取有效非支持向量集，效果良好，克服了每當增量樣本集逐漸增加時KKT條件將變得更加復雜的困難。結(jié)合初始訓練階段與增量學習階段所提出的改進方法，形成基于邊界向量的支持向量機增量學習算法。通過實驗比較了三種支持向量機增量學習算法的訓練時間與分類精度，驗證了改進算法在時間與精度方面的優(yōu)勢。
　　最后，在Breast-Tissue數(shù)據(jù)集上用改