基于壳向量的线性支持向量机快速增量学习算法

《基于壳向量的线性支持向量机快速增量学习算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第!"卷第#期浙!江!大!学!学!报!工学版";&+/?<#""$基于壳向量的线性支持向量机快速增量学习算法李东晖!杜树新!吴铁军$浙江大学工业控制技术国家重点实验室&浙江杭州FA""#H%摘!要#提出了一种新的基于壳向量的增量式支持向量机快速学习算法<在增量学习的过程中&利用训练样本集中的几何信息&在样本中选取一部分最有可能成为支持向量的样本(((壳向量&它是支持向量集的一个规模

2、较小的扩展集&将其作为新的训练样本集&再进行支持向量训练<这在很大程度上减少了求取支持向量过程中的二次优化运算时间&使增量学习的训练速度大为提高<与单纯使用支持向量代表样本数据集合进行增量学习的传统算法相比&使用该算法使分类精度得到了提高<针对肝功能检测标准数据集$[3NQ%的实验验证了该算法的有效性<关键词#增量算法)支持向量机)壳向量中图分类号#PNAGA!!!!!文献标识码#Q!!!!!文章编号#A""GBHFR$#""$%"#"#"#"@L’0-(.)&$G$.-’""$’&.(.#’"#+&(

3、-,G+D"(.$’&0/**+&-1$)-+&G’),(.$%’0$5+.,/""1$)-+&0eVU&)2J.’1&U39.’JM1)&g3P1/J0’)$=%’.*)%9>#6?%@*&%’*&6*+A)B-5’&.%9<*)’&*97#80)*9*26&/0#1.%)23).4#&5.’6&:%)2;0*-FA""#H&<0.)%%!%0-&’)-’Q)/C2/&K/6(1:,*561):(/K/)6*++/*()1)2*+2&(16.K,&(5’LL&(64/:6&(K*:.1)/5$9;f%

4、C*5L(&L&5/E

5、/6&C.1:.2(/*6+7(/E’:/56./61K/:&)5’K/E1)5&+41)25/X’/)61*+X’*E(*61:&L61K1D*61&)L(&?+/K51)1):(/K/)6*+9;f6(*1)1)2*)E5L//E5’L6./6(*1)1)2L(&:/55

6、5/6&6./L(&L&5/E*+2&(16.K1KL(&4/56./:+*551,1:*61&)L(/:151&)<8ML/(1K/)65?*5/E&)*56*)E*(E[3NQE*6*5/61)+14/(,’):61&)6/5654*+1E*6/E6.//,,/:614/)/55&,6./*+2&(16.K<3$42+&50’1):(/K/)6*+*+2&(16.K)5’LL&(64/:6&(K*:.1)/).’++4/:6&(!!目前&模式分类的主要方法有贝叶斯判据法*近过量匹配)另一方面&由于缺

7、乏对训练数据有选择的+A,邻法*神经网络方法以及近几年发展起来的支持向遗忘淘汰机制&在很大程度上影响了分类精度<基量机$5’LL&(64/:6&(K*:.1)/5&9;f%方法等<模式于结构风险最小化准则的9;f学习算法是少数可+#,分类的增量学习算法可以应用于数据量较大和流数以成功解决第一个问题的学习算法&但经典的据等场合<在增量学习的过程中&现有算法大多是采9;f学习算法并不直接支持增量式的学习<因此&用决策树和神经网络算法实现的&它们在不同程度对9;f分类算法中的增量学习进行研究具有重要上具有以下

8、两方面的缺点’一方面由于缺乏对整个的理论意义和实用价值<使用9;f增量学习算法&样本集期望风险的控制&算法易于对训练数据产生与标准9;f方法相比&可以在保证分类性能的前收稿日期##""@"##F<浙江大学学报!工学版"网址#CCC<0&’()*+5