集成学习算法在增量学习中的应用研究
如何能有效地保持原本学习过的知识,又能不断获取新知识?这是增量学习面临的难题.将集成学习算法移植应用于增量学习,建立了模块化增量学习模型,研究了BehaviorKnowledgeSpace(BKS)、DynamicClassifierSelection(DCS)和MajorityVoting(MV)3种集成学习算法应用于增量学习的可能性,并提出了算法BKSbasedonDCS(BoD).仿真实验表明,DCS表现最好,BKS和MV表现次之,BoD很好地提升了BKS而与DCS完全相当;提出的增量学习模型不但能完全保持以前学习过的知识,而且能有效地获取当前的新知识(包括概念漂移conceptdrift)。
增量学习 知识保持 知识获取 集成学习 模块化 支持向量机 概念漂移
文益民 杨旸 吕宝粮
上海交通大学计算机科学与工程系,上海,200030;湖南工业职业技术学院,长沙,410007 上海交通大学计算机科学与工程系,上海,200030
国内会议
北京
中文
222-227
2005-09-23（万方平台首次上网日期，不代表论文的发表时间）