模式识别与人工智能
模式識彆與人工智能
모식식별여인공지능
Moshi Shibie yu Rengong Zhineng
2010年
4期
491-500
,共10页
支持向量机(SVM)%增量学习%模拟切削算法%切削面%切削厚度
支持嚮量機(SVM)%增量學習%模擬切削算法%切削麵%切削厚度
지지향량궤(SVM)%증량학습%모의절삭산법%절삭면%절삭후도
提出使用模拟切削算法的SVM增量学习机制.模拟切削算法在核函数映射的特征空间中计算每个样本的预期贡献率,仅选取预期贡献率较高的样本参与SVM增量学习,有效解决传统SVM增量学习代价高、目标样本选取准确性低、分类器缺乏鲁棒性的问题.一个样本的预期贡献率采用通过该样本的映射目标的合适分离面对两类样本的识别率来表示.对目标样本的选取酷似果蔬削皮的过程,所提算法由此得名.基准数据实验表明,文中算法在学习效率和分类器泛化性能上具有突出优势.在有限资源学习问题上的应用表明该算法在大规模学习任务上的良好性能.
提齣使用模擬切削算法的SVM增量學習機製.模擬切削算法在覈函數映射的特徵空間中計算每箇樣本的預期貢獻率,僅選取預期貢獻率較高的樣本參與SVM增量學習,有效解決傳統SVM增量學習代價高、目標樣本選取準確性低、分類器缺乏魯棒性的問題.一箇樣本的預期貢獻率採用通過該樣本的映射目標的閤適分離麵對兩類樣本的識彆率來錶示.對目標樣本的選取酷似果蔬削皮的過程,所提算法由此得名.基準數據實驗錶明,文中算法在學習效率和分類器汎化性能上具有突齣優勢.在有限資源學習問題上的應用錶明該算法在大規模學習任務上的良好性能.
제출사용모의절삭산법적SVM증량학습궤제.모의절삭산법재핵함수영사적특정공간중계산매개양본적예기공헌솔,부선취예기공헌솔교고적양본삼여SVM증량학습,유효해결전통SVM증량학습대개고、목표양본선취준학성저、분류기결핍로봉성적문제.일개양본적예기공헌솔채용통과해양본적영사목표적합괄분리면대량류양본적식별솔래표시.대목표양본적선취혹사과소삭피적과정,소제산법유차득명.기준수거실험표명,문중산법재학습효솔화분류기범화성능상구유돌출우세.재유한자원학습문제상적응용표명해산법재대규모학습임무상적량호성능.
