一种SVM增量学习算法α-ISVM.pdfVIP

!#$%’(!(!)!*!%!%#+ ,-!./01234/56/578319 软 件 学 报 ;/4!=/! :::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: 一种 增量学习算法 C E ?@A BD?@A 萧 嵘 王继成 孙正兴 张福炎 = = = 南京大学 计算机软件新技术国家重点实验室 江苏 南京 ) = = !$F*G 南京大学 计算机科学与技术系 江苏 南京 ) = = !$F* # K M H I3J4 -4/0L N13OPJ-Q2R0 9L0 -2 K(( P77O 888 2R0 9L0 -2 摘要 基于 理论的分类算法 由于其完善的理论基础和良好的试验结果 目前已逐 K ) * = = 6;S Q0OO/17T9-7/1I3-PJ29 渐引起国内外研究者的关注 深入分析了 理论中 支持向量 集的特点 给出一种简单的 ) = * = 6;S 6; Q0OO/17T9-7/1 增量学习算法 在此基础上 进一步提出了一种基于遗忘因子 的 增量学习改进算法 该算 = # 6;S U 6;S UV6;S 法通过在增量学习中逐步积累样本的空间分布知识 使得对样本进行有选择地遗忘成为可能 理论分析和实验结 = 果表明 该算法能在保证分类精度的同时 有效地提高训练速度并降低存储空间的占用 = = 关键词 支持向量机 分类 模式识别 增量学习 机器学习 K G G G G 中图法分类号K !% 文献标识码K WX Y 随着信息时代的到来 特别是随着网络迅猛发展而出现的 信息爆炸 问题 向传统的信息挖 = Z [ = 掘 知识获取技术提出了巨大的挑战 一方面 我们现在拥有的数据极大丰富 其间蕴含的信息和知 \ = = 识具有很大的潜在价值 另一方面 信息的更新速度也达到了令人吃惊的地步 因此 具有增量学习 G = = 功能的数据分类技术 正逐渐成为当前信息的智能化发现和挖掘的关键技术之一 与普通的数据分 = 类技术相比 增量学习分类技术具有显著的优越性 这主要表现在两个方面 一方面由于其无须保 = = K 存历史数据 从而减少了