基于支持向量机的混合增量学习算法与应用

《基于支持向量机的混合增量学习算法与应用》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、分类号密级ＵＤＣ编号术中种装火為硕±学位论文基子支持向量机的减合增量学习其法与应巧学位申请人姓名；王会皮申请学位学生类别：全巧Ｗ项壬申请学位学科专业；计义机应巧托米指导教师姓名；就开平别乂援？硕壬学位论文ＥＲ＇ＭＡＳＴＳＴＭＥＳＩＳ硕±学位论文基于支持向》机的混合増量学习算法与应用论文作者：王会巧指＃ｉｄｉｌｐ＝巧开平副搬学科专业：计ＪＫｆｌｉＳ用技术研究方向：计ＩＷＩ多媒体技术华中师范大学计調吼学院２０１６年５月硕

2、击学位论文ＭＡ’ＳＴＥＲＳＴＨＥＳＩＳＨｂｒｉｄｉｎｃｒｅｍｅｎｔａｌｌｅａｒｎｉｎｙｇａｌｏｒｉｔｈｍｂａｓｅｄｏｎｓｕｏｒｔｖｅｃｔｏｒｇｐｐｍａｃｈｉｎｅａｎｄｉｔｓａｌｉｃａｔｉｏｎｐｐＡＴｈｅｓｉｓＳｕｂｍｉｔｔｅｄｉｎＰａｒｔｉａｌＦｕｌｆｉｌｌｍｅｎｔｏｆｔｈｅＲｅｑｕｉｒｅｍｅｎｔＦａｒ化ｅＭ．Ｓ．ＤｅｇｒｅｅｉｎＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＢｙＨ山ｂｏＷａｎｇＰｏｓｔａｄｕａｔｅＰｒｏ

3、ｒａｍｇｒｇＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＣｅｎｔｒａｌＣｈｉｎａＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙＷｅ、Ｓｕｅｒｖｉｓｏｒ；Ｋａｉｉｎｇｉ．？ｐｐＡｃａｄｅｍｉｃＴｉｔｌｅ：ＡｓｓｏｃｉａｔｅＰｒｏｆｅｓｓｏｒＳｉｇｎａｔｕｒｅ＾兰二〇ＡｒｏｖｅｄｐｐＭａｙ２０１６硕壬学位论文＇ＳＴＥＲＳＨＳＩＳＭＡＴＥ华中师绝大学学在冷文居创牲巧和使巧狡权说巧原准１牲京巧：，是本人在导师指导下本人郑重声明所呈交的学位论文，独立进行研巧工作所取得的研巧成果。除文

4、中己经标明引用的内容外，本论支不包含任何其他个人或集体己经发表或撰写过的研究成果。对本文的研巧做出贡献的个人和集体，均已在文中Ｗ明确方式标明。本声明的法律结果由本人承担。作者签名：日期：３＾１《年５月５日／学化冷文胶权使用援权韦、目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忠Ｐ：学校有权保留并向国家有关部口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。本人授校华中师范大学可队陪本学位论文的全部或部分内镑ｉ入有关龍库进行检索，可Ｗ采用影印、缩印或扫描等复制手段保存和汇编本学位论文

5、。同意华中师范大学可Ｗ用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。作者签名：导师签名物曰期：从Ｉ年５月曰曰期：月曰《５；如作厂＂＂本人已经认真阅读ＣＡＬＩＳ高校学位论文全文数据库发布章程，同意将本人的＂＂＂＂学位论文提交ＣＡＬＩＳ高校学位论文全文数据库中全文发布，并可按章程中的□半年□一＝□二年发布规定享受相关权益。同意论专提々后滞后：；年。作者签名：导师签若抑曰化＊＾＾＜作＾月曰曰期：如＇的广月曰；分｜硕击学位论文ＴＥＲ＇ＭＥＭＡＳＳＴＳＩＳ摘要Ｖ一

6、ｒｔｔ支持向量机（ＳｕｐｐｏｅｃｏｒＭａｃｈｉｎｅ，ＳＶＭ）是建立在统计学理论基础上的。种机器学习方法，其拥有坚实的理论基础它在解决小样本、高韩度、非线性模式识别学习问题中有较多优势一二。其实质上是个次规划求解问题。本文的研巧重点是基于支持向量机的增量学习算法研究及其在网络入侵上的一些増量学应用。在分析了支持向量机在对增量学习行为上面的不足，Ｗ及现有的一习算法的不足，提出了种新的基于支持向量机的増量学习算法，即基于余弦相似－度与函数距离的ＳＶＭ增量学习算法，简称ＣＳＦＤＩＳＶＭ。该算法的主要核

7、也思想是利用样本集分布特点与历史训练结果来尽量的减少样本的数量。本文中提出了几种方法来筛选样本与加快样本筛选的过程。主要工作与创新总结如下：１）基于支持向量机的思想，最终的决策面只与少数支持向量有关，因此可Ｗ预取样本中的准支持向量，这样就可Ｗ大大减少参与训练的样本数，加快训练速度。一提出了种通过类别质也与余弦角度的样本预选策略。由大数定律，在大量样本中一一、随机挑选定数量样本的质也是逼近整体样本质屯的，因此提出了使用随机抽取定比例样本代替整体样本来计算样本余弦值的方法。在此基础上，本文提出了基于

8、余弦相似度与函数距离的增量学习算法。实验结果表明：基于余弦相似度与函数距离的増量学习算法有效的降低了训练时间，同时又可提升训练精度。２：）通过对増量学习前后样本分布的变化进行分析发现历史样本中的有用信息除了支持向量，还有同样非常重要的边界非支持向量，针对边缘向量的提取，本文一提出了种