收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于增量学习的分类算法研究

张智敏  
【摘要】: 本文主要研究了支持向量机(Support Vector Machine,简称SVM)的增量学习算法。统计学习理论是机器学习领域的一个新的理论体系,它非常适用于解决有限样本下的机器学习问题。支持向量机是建立在统计学习理论基础上的新型机器学习方法,是在统计学习理论的基础上发展起来的一种小样本学习理论,具有全局最优、结构简单、推广能力强等优点,目前在模式识别、信号处理、控制、数据挖掘等多个领域都得到了广泛应用。但是经典的支持向量机不支持增量学习,在大规模数据的情况下,训练速度会下降,因此提高学习算法的分类性能对SVM增量学习的研究具有重要的理论意义和实用价值。 目前已有一些成熟的支持向量机学习算法得到广泛的应用,比如块算法、分解算法,以及最著名的SMO算法等。本文的研究工作是,在研究现有支持向量机增量学习算法的基础上,寻找新的基于增量学习的支持向量机分类算法,使得该算法在大规模数据样本的情况下,仍然能取得较好的分类性能,并用仿真实验验证算法的有效性。本文主要做了以下两个工作: 第一,介绍了最小二乘支持向量机的数学原理,分析了支持向量的性质和增量学习的过程,给出了一种基于误差阈值的增量学习过程。该算法利用预测误差阈值进行样本的取舍,在尽量保留有用信息的情况下减小样本训练规模。随后的基于UCI数据集的实验结果表明,该算法获得较快的训练速率和较高的分类精度。 第二,给出了一种基于隶属度函数的增量学习算法。在进行SVM增量学习的过程当中,初始训练样本集中的非支持向量在后续的训练中有可能成为支持向量;本文算法对非支持向量增加一个隶属度函数,设定一个参数利用隶属度函数判断非支持向量是否保留。基于UCI标准数据集的实验结果表明,该算法是有效、可行的。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 王海洋;丁正生;;支持向量机训练算法概述[J];科技信息(科学教研);2008年09期
2 刘印锋;;支持向量机技术及应用[J];科技信息;2008年27期
3 谢飞;;支持向量机及其应用研究[J];安徽教育学院学报;2007年03期
4 宋杰;;支持向量机及其训练算法[J];韶关学院学报;2008年03期
5 卢虎,李彦,肖颖;支持向量机理论及其应用[J];空军工程大学学报(自然科学版);2003年04期
6 宋倩;林和平;周琪栋;;支持向量机理论研究[J];信息技术;2013年09期
7 薛宇玲;;支持向量机研究进展[J];榆林学院学报;2007年04期
8 马海兴;;支持向量机训练算法研究[J];福建电脑;2007年10期
9 张松兰;;改进的支持向量机算法及应用综述[J];黑龙江科技信息;2016年10期
10 刘解放;侯振雨;吴亮;;支持向量机在模式识别和回归模型中的应用[J];河南科技学院学报(自然科学版);2007年04期
11 罗雪晖,李霞,张基宏;支持向量机及其应用研究[J];深圳大学学报;2003年03期
12 牟廉明;统计学习与支持向量机[J];内江师范学院学报;2002年06期
13 孔波;郑喜英;;支持向量机多类分类方法研究[J];河南教育学院学报(自然科学版);2010年02期
14 王炜;林命週;马钦忠;赵利飞;;支持向量机及其在地震预报中的应用前景[J];西北地震学报;2006年01期
15 刘斌,李卓,刘铁男,喻胜阳,任珍珍;一种基于支持向量机建模的新型自适应滤波器[J];大庆石油学院学报;2005年04期
16 张红梅;;支持向量机方法及其在电力系统中的应用[J];扬州职业大学学报;2007年02期
17 王炜;刘悦;李国正;吴耿锋;马钦忠;赵利飞;林命週;;我国大陆强震预测的支持向量机方法[J];地震学报;2006年01期
18 李盼池,肖红,许少华,刘显德;支持向量机在模式分类中的应用[J];大庆石油学院学报;2003年02期
19 洪宇光,李洁冰,王洪玉;SVM在阵列信号定位中的应用[J];计算机仿真;2004年06期
20 闫伟;张浩;陆剑峰;;基于支撑向量机的产品质量监控研究应用[J];计算机工程;2006年15期
中国重要会议论文全文数据库 前10条
1 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年
2 张健沛;李忠伟;杨静;;一种基于多支持向量机的并行增量学习方法(英文)[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
3 林关成;李亚安;;基于ANN与SVM的分类和回归比较研究[A];2008’促进中西部发展声学学术交流会论文集[C];2008年
4 王晓红;;一种改进多类支持向量机加权后验概率重构策略[A];2009中国控制与决策会议论文集(3)[C];2009年
5 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届(2011)中国管理学年会——商务智能分会场论文集[C];2011年
6 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年
7 郭一楠;程健;肖大伟;杨梅;;分布式多分类支持向量机[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
8 汪荣贵;孙见青;胡琼;李守毅;;一种新的支持向量机决策树及其应用[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
9 伍敏;苏鹏宇;刘金福;于达仁;;基于RVM和SVM的风速预测研究[A];2012电站自动化信息化学术和技术交流会议论文集[C];2012年
10 姜谙男;;冲击地压危险性预测的最小二乘支持向量机模式识别[A];第九届全国岩石动力学学术会议论文集[C];2005年
中国博士学位论文全文数据库 前10条
1 段华;支持向量机的增量学习算法研究[D];上海交通大学;2008年
2 黄华娟;孪生支持向量机关键问题的研究[D];中国矿业大学;2014年
3 郭新辰;最小二乘支持向量机算法及应用研究[D];吉林大学;2008年
4 胡庆辉;非稀疏多核支持向量机学习方法研究[D];武汉大学;2015年
5 孙宗海;支持向量机及其在控制中的应用研究[D];浙江大学;2003年
6 徐芳;航空影像分割的支持向量机方法[D];武汉大学;2004年
7 蔡从中;支持向量机及其在生物材料功能研究中的应用[D];重庆大学;2003年
8 孙德山;支持向量机分类与回归方法研究[D];中南大学;2004年
9 翟永杰;基于支持向量机的故障智能诊断方法研究[D];华北电力大学(河北);2004年
10 董春曦;支持向量机及其在入侵检测中的应用研究[D];西安电子科技大学;2004年
中国硕士学位论文全文数据库 前10条
1 张智敏;基于增量学习的分类算法研究[D];华南理工大学;2010年
2 王小燕;基于加权增量的支持向量机分类算法研究[D];浙江大学;2008年
3 南光浩;模糊支持向量机算法研究[D];延边大学;2007年
4 彭璐;支持向量机分类算法研究与应用[D];湖南大学;2007年
5 杨杰;基于模糊支持向量机的多类分类方法研究[D];武汉大学;2005年
6 李金凤;支持向量机增量学习算法研究[D];中南民族大学;2011年
7 闫国虹;支持向量机不平衡问题和增量问题算法研究[D];西安电子科技大学;2012年
8 梁俊芝;关于支持向量机方法的几点研究[D];西北大学;2009年
9 刘森华;基于SVM的数据挖掘技术研究[D];长春理工大学;2009年
10 刘泱;支持向量机的多类识别及其在流量检测问题中的应用[D];国防科学技术大学;2006年
中国重要报纸全文数据库 前10条
1 复旦大学社会学系 胡安宁;以机器学习方法助力因果推断[N];中国社会科学报;2018年
2 雨辰;机器学习类图书为什么火爆[N];中华读书报;2014年
3 彭博企业数据业务全球负责人 Gerard Francis;金融数据质量决定机器学习时代的投资回报[N];计算机世界;2019年
4 本报记者 操秀英;当量子计算遇到机器学习会碰撞出什么火花?[N];科技日报;2019年
5 CIO.com资深作家 Clint Boulton 编译 Charles;领先一步:机器学习的10个成功案例[N];计算机世界;2018年
6 Bob Violino 编译 Charles;盲目冒进:机器学习的5个失败案例[N];计算机世界;2018年
7 本报驻波士顿记者 侯丽;深入挖掘机器学习潜力[N];中国社会科学报;2019年
8 王方 编译;菌自何方 机器学习早知道[N];中国科学报;2019年
9 Matt Asay 编译 Monkey King;为什么机器学习没有捷径可循?[N];计算机世界;2019年
10 360 IoT研究院院长 李康;从机器学习到机器创造[N];中国信息化周报;2017年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978