一种svdd增量学习淘汰算法

《一种svdd增量学习淘汰算法》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、一种SVDD增量学习淘汰算法孔祥鑫周炜王晓丹于明秋空军工程大学防空反导学院:在基于支持向量数据描述(SupportVectorDataDescription,SVDD)的增量学习中，现有方法通常舍弃了较多对新模型构建有用的样本，导致增量学习的精度严重下降。针对这一问题，提出了一种新的SVDD增量学习淘汰算法(newremovingalgorithmforincrementalSVDDlearning,NISVDD)。在分析增量学习过程中支持向量集变化特性的基础上，定义自适应学习阈值U，筛选出可能成

2、为新支持向量的样木；同时，提出一种样木淘汰机制，避免无用样木的重复训练。基于UCT数据集和弹头0标仿真HRRP数据的实验结果表明，新算法在提升模型训练效率的同时具备比常规增量算法更高的分类精度。关键词：支持向量数据描述;增量学习；自适应阈值;淘汰机制;作者简介：孔祥(1993-)作者简介：周炜(1962-),理与信息安全；作者简介：王晓丹(1966-)理、机器学习；作者简介：于明秋(1992-)，男，硕士生，研究领域为智能信息处理；男，副教授，硕士生导师，研究领域为智能信息处，女，教授，博士生导师

3、，研宄领域为智能信息处，男，硕士生，研究领域为网络信息安全，E-mail:18392968752@163.com。基金:国家自然科学基金(No.61273275)AremovingalgorithmforincrementalSVDDlearningKONGXiangxinZHOUWeiWANGXiaodanYUMingqiuAirandMissileDefenseCollege,Aii^-forceEngineeringUniversity;Abstract：Inincrementallearn

4、ingbasedonsupportvectordatadescription(SVDD)，existingmethodsoftendiscardmoreusefulsamplesfornewmodelswhichleadtoseriousdropintheaccuracyofincrementallearning.Focusedonthisproblem，anewremovingalgorithmforincrementalSVDDlearningisproposed.Basedontheanal

5、ysisofsupportvectorset'schangeinincrementallearningprocess,adaptivelearningthresholdaisdefinedtofilteroutsamplesthatmaybecomenewsupportvectors;Furthermore,asampleremovingmethodisproposedtoavoidrepetitivetrainingforuselesssamples.SimulationwiththeUCTbe

6、nchmarkdatasetsandwarheadtargetsimulationI1RRPdataindicatesthatnewalgorithmhasbetterclassificationaccuracythanconventionalincrementalalgorithmwhileimprovingthetrainingefficiencyofthemodel.Keyword：supportvectordatadescription;incremental1earning;adapti

7、vethreshold;removingmethod;1引言支持向量数据描述Ul(SVDD)是Tax和Duin等人提出的一种单分类算法。它使用同类样本数据建立一个最小超球体的数学模型，用来实现对原样本的描述和新样本的分类［2-4］。然而，在大多数情况下，我们难以在训练初期就获得某类样本完备的训练数据集，即训练样本是不断加入的。为满足准确率的要求，通常将新增样本加入原样本中一起进行训练并更新分类模型。SVDD构造超球体的实质边1是求解一个二次规划问题，随着时间的累积，当样木量增大到一定程度时,会导致

8、训练时间过长其至无法进行。增量学习思想M不同于上文提到的整体块学习思想，它希望在模型更新时，仅保留历史模型屮的有用信息，同时对新知识进行筛选，去除其中的冗余信息，从而提高模型的训练效率。基于这一思想，许多学者进行了SVDD增量学习算法的研宄。在已有研宄中，文献［7］使用原样木集中的支持向量(SupportVector,SV)与增量样木中述反Karush-Kuhn-Tucker(KKT)条件的样本进行训练，但该算法无法控制增量学过程屮支持向量数量增加对模型更新时间的影响;文献［8］提