基于支持向量机的半监督式增量学习研究

《基于支持向量机的半监督式增量学习研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江工业大学硕士学位论文基于支持向量机的半监督式增量学习研究作者姓名：张灿淋指导教师：姚明海浙江工业大学信息工程学院2014年4月DissertationSubmittedtoZhejiangUniversityofTechnologyfortheDegreeofMasterResearchonSemi—·SupervisedIncrementalLearningBasedonSupportVectorMachineCandidate：ZhangcanlinAdvisor：YaominghaiCollegeofInformationEngineeringZhejiangUniversityo

2、fTechnologyApril2014浙江工业大学学位论文原创性声明本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工作所取得的研究成果。除文中已经加以标注引用的内容外，本论文不包含其他个人或集体已经发表或撰写过的研究成果，也不含为获得浙江工业大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体，均己在文中以明确方式标明。本人承担本声明的法律责任。作者签名：多队牲矗k日期：冽垆年厂月彩日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本

3、人授权浙江工业大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密口，在年解密后适用本授权书。，2、不保密留。(请在以上相应方框内打“√”)作者签导师签浙江工业大学硕士学位论文基于支持向量机的半监督式增量学习研究摘要随着信息社会的爆炸式发展，机器学习需要面对的是一个训练样本庞大、实时数据流以及训练样本极少带标签的复杂环境，半监督式增量学习作为一个新兴的研究方向，对机器学习水平的提高，乃至对整个信息时代的发展都有着非常重要地意义。本文在研究了传统算法的基础上，对半监督式增量学习进行了深入地探索，主要研究内容如

4、下：(1)查阅了大量国内外参考文献，讨论了现阶段半监督式增量学习的研究进展，阐述了目前分类器算法无法适应复杂环境的问题，并对机器学习、统计学习理论及支持向量机理论做了简要分析，为下文将要展开的研究做好理论铺垫。(2)针对训练样本为实时数据流、庞大数据集的情况，对现有几种增量学习算法进行了全面比较，在此基础上改进了KKT条件，并引入错误驱动策略，提出了基于KKT条件的错误驱动SVM增量学习算法，通过两组实验表明该算法在优化分类器效果，提高分类器性能方面具有良好的作用。(3)上文算法虽然很好地解决了增量学习问题，但其学习系统需要一次性完全获得训练样本的类别标签，针对该问题，采用半监督式学习，在深

5、入解析了TSVM原理的基础上，结合K值最邻近分类算法，得到KNN—TSVM，并将该算法与增量学习算法相集合，得到基于KNN．TSVM的增量学习算法，对不同实验的仿真比较验证了该算法在强化分类器性能，提高训练速度，特别是在样本总量较大而带标签样本较少的情况下所具有的极好适应性。(4)将基于KNN—TSVM的增量学习算法与图像预处理、图像特征提取等技术手段相结合，形成一个完整的模式识别框架，并应用于实际的工业流程一一太阳能电池板缺陷检测。实物仿真也验证了算法在实际应用中的有效性。关键词：增量学习，半监督式学习，支持向量机，模式识别浙江工业大学硕士学位论文RESEARCHoNSEMI．SUPERV

6、ISEDINCREMENTALLEARNINGBASEDoNSUPPoRTVECToRMACHINEABSTRACTWiththeexplosivedevelopmentofinformationsociety，thechallengeformachinelearningisthehuge，time—varyingdataorthedatasetthatjusthasfewlabeledsample．Soasanewresearchdirection，thesemi-supervisedincrementallearninghasaveryimportantsignificanceonthe

7、fieldsofmachinelearningandevenondevelopmentofthewholeinformationsociety．Thispaperstudiesbothadvantagesanddisadvantagesofthetraditionalalgorithms，andexploresthesemi-supervisedincrementallearningdeeply．Themai