10.3969/j.issn.1672-6944.2017.03.021
一种改进的SVM增量学习算法研究
通过对训练样本集的几何特征和机器学习迭代过程中支持向量的变化情况分析,文章提出一种改进的基于KKT条件和壳向量的SVM增量学习算法.算法使用包含原支持向量集的小规模扩展集—壳向量,将其作为新一轮迭代的初始训练样本集.同时,基于样本是否违背KKT条件的错误驱动策略,对新增的大量样本进行筛选,以此得到更加精简有效的新增样本集.实验结果表明,与传统的增量学习算法相比,改进的算法在模型训练的收敛速度和对未知样本集的分类准确度方面都有明显的提高.
SVM、壳向量、KKT条件、增量学习
TP3;TP1
2017-04-13(万方平台首次上网日期,不代表论文的发表时间)
共4页
46-49