一类增量式支持向量机的分析

来源:用户上传      作者:

　　摘要：针对训练数据发生增量改变时，标准一类支持向量机的批处理算法需要重新进行训练，不适合在线增量环境学习的问题，提出一种详细的增量式标准一类分类向量机算法，并通过理论分析对该算法的可行性和有限收敛性进行了证明，确保该算法的每步调整都是可靠的，并确保该算法通过有限步调整最终收敛到问题的最优解。在标准数据集上的实验结果验证了理论分析的正确性。
　　关键词：一类支持向量机；增量式学习；可行性分析；收敛性分析
　　中图分类号：TP301
　　文献标志码：A
　　文章编号：1005-2615（2015）01-0113-06
　　由Vapnik等提出的支持向量机（Support vector machinc，SVMD，目前已成为解决分类、回归和其他统计学习问题的一种流行的技术。在实际问题环境中，训练样本数据大多为在线环境下增量提供，所以有必要对支持一类分类支持向量机设计相应的增量式算法。2001年Cauwcnbcrghs和Poggio针对标准的支持向量机，给出了一种精确的增量和减量式学习算法（C&P算法），为了对C&P算法有更深入的认识，2006年， Laskov等对该算法增量式部分给出了部分理沦分析，并给出简单扩展到一类分类支持向量机算法；2010年，Karasuvama等扩展了C&P算法，使之能同时处理多个样本的增量式学习；2012年，Gu等扩展发C&P算法.使之能处理支持向量分类机。2013年.颐彬等详细讨论了增量式标准支持向量机的可行性以及收敛性分析。本文将在上述工作的基础上给出详细的增量式一类支持向量机算法，并从理论分析的角度，全面讨论增量式一类支持向量机算法的可行性及有限收敛性。
　　1 增量式一类支持向量机
　　5、 结束语
　　一类增量式支持向量机算法是一种精确的增量式算法.在很多任务中有着广泛的应用前景。为了更好地认识该算法，本文从理论和实验上较为全面地分析了一类增量式支持向量机算法的可行性与有限收敛性，实验结果验证了理论分析的正确性。
转载注明来源:https://www.xzbu.com/4/view-8480002.htm