10.3969/j.issn.1007-5321.2010.04.006
边界偏转覆盖增量支持向量机
为了利用不断积累的网络样本提高故障诊断效能,针对标准支持向量机不直接支持增量学习的问题,提出一种边界偏转覆盖增量支持向量机.根据违背Karush-Kuhn-Tucker条件的新增样本在特征空间中可引起原分类边界改变的情况,设计边界偏转覆盖算法预选支持向量再生区作为增量训练工作集,解决了难以确定的非支持向量向支持向量的转化问题.理论分析和实验结果表明,该方法能有效简化训练工作集,在保证故障诊断精度的同时大幅度提高增量训练效率.
故障诊断、支持向量机、增量学习、模型更新
33
TP393(计算技术、计算机技术)
陕西省自然科学基金项目SJ08F14
2010-12-17(万方平台首次上网日期,不代表论文的发表时间)
共5页
30-34