CAJ | 학술논문

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.
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.