一种新的支持向量机增量学习算法-厦门大学学报自然科学版.pdf

第 41 卷 　第 6 期 ( ) Vol . 41 　No . 6 厦门大学学报 自然科学版 　2002 年 11 月 Journal of Xiamen University (Natural Science) Nov. 2002 　 ( ) 文章编号 2002 一种新的支持向量机增量学习算法 1 2 曾文华 ,马 　健 ( 1. 厦门大学计算机科学系 ,福建 厦门 361005 ; 2 . 杭州电子工业学院计算机分院 ,浙江 杭州 310037) 摘要 : 提出一种新的支持向量机增量学习算法. 分析了新样本加入训练集后 ,支持向量集的变化情况. 基于分析结 论提出新的学习算法. 算法舍弃对最终结论无用的样本 ,使得学习对象的知识得到了积累. 实验结果表明本算法在 保证分类准确度的同时 ,在增量学习问题上比传统的支持向量机有效. 关键词 : 支持向量机 ;增量学习;学习算法 中图分类号 : TP 181 文献标识码 :A 　　　　　　　　　　　　　　　 　　增量学习技术作为一种智能知识发现技术 , 已 l , X i ∈Rn , y i ∈{ ±1} . 支持向量机即为线性分类 经得到了广泛的研究. 它与传统的学习技术相比,优 器 ,通过构造最优分类面 ,使得类别间的分类间隔最 越性在于它不仅可以舍弃无用样本并减小训练集 , 大[4 ] . 较大的分类间隔意味着分类器具有较好的泛 而且可以充分利用学习的历史结果 ,使学习具有了 化能力. 延续性. 很多学者基于传统的学习方法提出了新的 设超平面方程为 : 增量学习算法[ 1 ,2 ] . 但是由于传统学习算法不能保证 wX + b = 0 ( 1) 很好的泛化能力 ,常常陷于对问题的过学习和局部 则决策函数为 : 最小等现象 ,因而基于传统学习方法的增量学习算 f ( x ) = sgn ( wX + b) (2) 法通常得不到原问题较好的结果. 求最大分类间隔的超平面问题可以转化为如下二次 ( ) 支持向量机 Support Vector Machine — SVM 是 寻优问题 : 一种新的机器学习技术 , 由 Vapnik 和他 的同事于 l