增量支持向量机算法研究
증량지지향량궤산법연구
Research on Increasing Support Vector Machine Algorithms
  • 万方数据
    计算机技术与发展 계산궤기술여발전
    COMPUTER TECHNOLOGY AND DEVELOPMENT
    2011年 5期 40-43,47 ,共5页

    孙名松%张立新%杜春燕

    손명송%장립신%두춘연

    支持向量机%增量训练%中心距离比值%加权算法 支持嚮量機%增量訓練%中心距離比值%加權算法
    지지향량궤%증량훈련%중심거리비치%가권산법
    在进行增量学习时,随着新增样本的不断加入,致使训练集规模不断扩大,消耗大量计算资源,寻优速度缓慢.在深入研究了支持向量分布的特点的基础上提出了分治加权增量支持向量机算法.该算法有效利用了广义KKT条件和中心距离比值,舍弃对后续训练影响不大的样本,得到边界支持向量集,对训练样本进行有效的淘汰.将所剩样本合并,进行加权处理,解决某些样本严重偏离所属的类别,对正常分布的样本不公平的问题.实验结果表明,该方法在保证分类精度的同时,能有效地提高训练速度.
    재진행증량학습시,수착신증양본적불단가입,치사훈련집규모불단확대,소모대량계산자원,심우속도완만.재심입연구료지지향량분포적특점적기출상제출료분치가권증량지지향량궤산법.해산법유효이용료엄의KKT조건화중심거리비치,사기대후속훈련영향불대적양본,득도변계지지향량집,대훈련양본진행유효적도태.장소잉양본합병,진행가권처리,해결모사양본엄중편리소속적유별,대정상분포적양본불공평적문제.실험결과표명,해방법재보증분류정도적동시,능유효지제고훈련속도.
    원문보기 원문다운로드 사이트로이동
저자의 최근 논문