利用KKT条件与类边界包向量的SVM增量学习算法
为实现对历史训练数据有选择地遗忘,并尽可能少地丢失训练样本集中的有用信息,分析了KKT条件与样本分布间的关系并得出了结论,给出了增量训练中当前训练样本集的构成.为了提高SVM增量训练速度,进一步利用训练样本集的几何结构信息对当前训练样本集进行约减,用约减后的当前训练样本集进行SVM增量训练,从而提出一种利用KKT务件与类边界包向量的快速SVM增量学习算法.实验结果表明,该算法在保持较高分类精度的同时提高了SVM增量学习速度.
支持向量机、增量学习、KKT条件、包向量
31
TP18(自动化基础理论)
国家自然科学基金项目60975026;陕西省自然科学基金项目2007F19
2010-06-30(万方平台首次上网日期,不代表论文的发表时间)
共4页
1792-1794,1798