基于超球结构支持向量机增量学习算法.docVIP

基于超球结构支持向量机增量学习算法 　　摘要：本文首先分析了增量学习过程中支持向量与非支持向量的相互转化问题，而后在此基础上提出了基于超球结构的支持向量机增量学习算法。该算法主要利用超球结构，完成对增量学习中训练样本的选取，进而完成分类器的重构。实验表明，该算法比传统支持向量机增量学习算法具有更高的分类精度。关键词：机器学习；增量学习算法；超球结构；支持向量机 　　中图分类号：G303 　　文章标识码：A 　　文章编号：1007-3221(2007)04-0045-05 　　 　　0　引言 　　 　　支持向量机由于其出色的泛化能力而日益受到研究者的重视。在支持向量机分类过程中，输入空间通过核函数映射到高维特征空间，进而通过最优分类超平面进行分类。由于最优超平面的确定主要是根据一个二次规划问题求解的，因此可以得到一个全局最优解。但是，支持向量仅仅是训练样本的一小部分，这一特性使得可以不再直接对全部训练样本进行训练，而只是挑选可能成为支持向量的样本进行训练，这样在保持了支持向量机优越分类性能的基础上，进一步降低了运算量和系统开销。因此，支持向量机增量学习算法应运而生，通过该算法，可以删除与确定最优分类超平面无关的训练样本以加速其训练过程。 　　有关学者提出了简单增量学习算法，主要思想是在每个增量学习的步骤中只保留支持向量，有新的数据到来时，用新的数据和前一步得到的支