信号处理
信號處理
신호처리
SIGNAL PROCESSING
2012年
2期
186-192
,共7页
冯国瑜%肖怀铁%付强%任国磊
馮國瑜%肖懷鐵%付彊%任國磊
풍국유%초부철%부강%임국뢰
支持向量数据描述%增量学习%二次规划%样本迁移
支持嚮量數據描述%增量學習%二次規劃%樣本遷移
지지향량수거묘술%증량학습%이차규화%양본천이
本文针对支持向量数据描述(Support Vector Data Description,SVDD)中的在线学习问题,提出了一种增量支持向量数据描述(Incremental Support Vector Data Description,ISVDD)方法.首先,理论明确了增量学习机理在SVDD中的可行性,并深入分析了在线新增样本与已有样本集合的集合划分问题;同时从理论上给出了ISVDD中样本系数变化的依据,推导了ISVDD的理论过程.其次,为了提高理论完备性与应用可靠性,在六种条件下实现了样本属性之间的迁移,获得各个样本系数的变化量.ISVDD方法不仅继承了标准SVDD的优点,能够获得和标准SVDD同样的分类性能,并且显著减少了在线增量样本的训练时间,缓解了数据优化中对内存量的巨大需求.实验结果证明了本文方法的有效性和正确性.
本文針對支持嚮量數據描述(Support Vector Data Description,SVDD)中的在線學習問題,提齣瞭一種增量支持嚮量數據描述(Incremental Support Vector Data Description,ISVDD)方法.首先,理論明確瞭增量學習機理在SVDD中的可行性,併深入分析瞭在線新增樣本與已有樣本集閤的集閤劃分問題;同時從理論上給齣瞭ISVDD中樣本繫數變化的依據,推導瞭ISVDD的理論過程.其次,為瞭提高理論完備性與應用可靠性,在六種條件下實現瞭樣本屬性之間的遷移,穫得各箇樣本繫數的變化量.ISVDD方法不僅繼承瞭標準SVDD的優點,能夠穫得和標準SVDD同樣的分類性能,併且顯著減少瞭在線增量樣本的訓練時間,緩解瞭數據優化中對內存量的巨大需求.實驗結果證明瞭本文方法的有效性和正確性.
본문침대지지향량수거묘술(Support Vector Data Description,SVDD)중적재선학습문제,제출료일충증량지지향량수거묘술(Incremental Support Vector Data Description,ISVDD)방법.수선,이론명학료증량학습궤리재SVDD중적가행성,병심입분석료재선신증양본여이유양본집합적집합화분문제;동시종이론상급출료ISVDD중양본계수변화적의거,추도료ISVDD적이론과정.기차,위료제고이론완비성여응용가고성,재륙충조건하실현료양본속성지간적천이,획득각개양본계수적변화량.ISVDD방법불부계승료표준SVDD적우점,능구획득화표준SVDD동양적분류성능,병차현저감소료재선증량양본적훈련시간,완해료수거우화중대내존량적거대수구.실험결과증명료본문방법적유효성화정학성.