一种改进的支持向量机增量学习算法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (10): 142-143.

• 数据库、信号与信息处理 • 上一篇下一篇

一种改进的支持向量机增量学习算法

刘叶青^1,2,刘三阳¹,谷明涛³

1.西安电子科技大学数学科学系，西安 710071
2.河南科技大学理学院，河南洛阳 471003
3.解放军96251部队，河南洛阳 471003

收稿日期:2007-07-23 修回日期:2007-10-16 出版日期:2008-04-01 发布日期:2008-04-01
通讯作者: 刘叶青

Improved incremental learning algorithm for support vector machine

LIU Ye-qing^1,2,LIU San-yang¹,GU Ming-tao³

1.Department of Mathematical Sciences，Xidian University，Xi’an 710071，China
2.School of Science，Henan University of Science & Technology，Luoyang，Henan 471003，China
3.PLA Unit96251，Luoyang，Henan 471003，China

Received:2007-07-23 Revised:2007-10-16 Online:2008-04-01 Published:2008-04-01
Contact: LIU Ye-qing

摘要/Abstract

摘要： 提出了一种改进的支持向量机增量学习算法。分析了新样本加入后，原样本和新样本中哪些样本可能转化为新支持向量。基于分析结论提出了一种改进的学习算法。该算法舍弃了对最终分类无用的样本，并保留了有用的样本。对标准数据集的实验结果表明，该算法在保证分类准确度的同时大大减少了训练时间。

关键词: 支持向量机, 增量学习, 分类

Abstract: An improved incremental learning algorithm for Support Vector Machine（SVM） is presented.The possible changes of support vector set after new samples are added to training set are analyzed.Based on the analysis results，an improved algorithm is presented.In the algorithm，the useless samples are discarded and the useful samples are retained.The experimental results with the standard dataset show that the training time is greatly reduced while the classification precision is guaranteed.

Key words: support vector machine, incremental learning, classification

刘叶青^1,2,刘三阳¹,谷明涛³. 一种改进的支持向量机增量学习算法[J]. 计算机工程与应用, 2008, 44(10): 142-143.

LIU Ye-qing^1,2,LIU San-yang¹,GU Ming-tao³. Improved incremental learning algorithm for support vector machine[J]. Computer Engineering and Applications, 2008, 44(10): 142-143.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[3]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[4]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[5]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[6]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[7]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[8]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[9]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[10]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[11]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[12]	王凤琴，柯亨进. 卷积神经网络及其分析在抑郁症判别中的应用[J]. 计算机工程与应用, 2021, 57(5): 245-250.
[13]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[14]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[15]	陶体伟，刘明霞，王明亮，王琳琳，杨德运，张强. 基于有效距离的低秩表示[J]. 计算机工程与应用, 2021, 57(4): 141-147.

一种改进的支持向量机增量学习算法

Improved incremental learning algorithm for support vector machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics