基于支持向量集子集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尽可能多的代表历史样本集的一个子集，然后把这个子集加入到新训练样本集中进行学习。对于代表历史样本集子集的选择方法有很多。本文提出的Simple ISVM(Simple Incremenetal Support Vector Machine Algorithm)算法从样本松弛变量是否为零的角度将支持向量分为线性可分的支持向量和线性不可分的支持向量两类，并以线性可分支持向量集来代表历史样本集。在每步增量学习过程中，每次只保留线性可分支持向量集。这样的子集比支持向量集要小。当线性可分支持向量较少时，可以用广义线性可分支持向量子集代表历史样本集。实验表明Simple ISVM算法在选取适当的参数e不仅能有比SVM-INC.”2”更快的速度，而在精度上没有什么损失。

关键词： Simple ISVM KKT条件 样本剪辑 SVM 增量学习

作者: 朱发 业宁 潘冬寅 丁文

作者单位: 南京林业大学信息科学与技术学院 210037

会议类型: 国内会议

会议名称: 第七届全国计算机支持的协同工作学术会议暨第五届全国智能信息网络学术会议

会议地点: 南京

会议语种:中文

页码: 1-6

在线出版日期: 2010-11-26（万方平台首次上网日期，不代表论文的发表时间）