基于最小样本平面距离的支持向量机增量学习算法

摘要：

支持向量机增量算法的关键是对历史样本集的剪辑,在历史样本集中选择出尽可能少又能表示尽可能多历史样本集信息的子集,再把这个子集与新增训练样本集放在一起进行训练.Liva Ralaivola[1]提出保留新增样本最近邻样本来表示历史样本集,而这样的最近邻样本中可能存在冗余样本.根据历史样本与分类平面间的距离可以去除新增样本最近邻样本集中的冗余样本.根据样本平面距离提出了MSPDISVM (minimum sample plane distance incremental support vector machines)算法.实验结果表明,MSPDISVM比Liva Ralaivola提出的算法有更快的速度,而精度没有太大的差异.使用样本平面距离可以有效地去除新增样本最近邻中的冗余样本.

关键词：支持向量机、增量学习、样本距离、样本平面距离、最小样本平面距离支持向量机增量学习算法

所属期刊栏目：33

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏省自然基金项目BK2009393;江苏省青蓝工程学术带头人基金项目BK2009393

在线出版日期：2012-04-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：346-350