学位论文 > 优秀研究生学位论文题录展示

支持向量机增量算法

作　者: 海洋
导　师: 何伟；樊磊
学　校: 中央民族大学
专　业: 概率论与数理统计
关键词: 支持向量机投票法在线增量学习批增量学习
分类号: TP18
类　型: 硕士论文
年　份: 2011年
下　载: 68次
引　用: 0次
阅　读: 论文下载

内容摘要

随着信息时代的到来,特别是随着网络迅猛发展而出现的“信息爆炸”问题,向传统的信息挖掘,知识获取技术提出了巨大的挑战。一方面,我们现在拥有的数据极大丰富,其间蕴含的信息和知识具有很大的潜在价值；另一方面,信息的更新速度也达到了令人吃惊的地步。因此,具有增量学习功能的数据分类技术,正逐渐成为当前信息的智能化发现和挖掘的关键技术之一。与普通的数据分类技术相比,增量学习分类技术具有显著的优越性,这主要表现在两个方面：一方面由于其无须保存历史数据,从而减少了存储空间的占用；另一方面,由于其在新的训练过程中充分利用了历史的训练结果,从而显著地减少了后继训练所需的时间。本文主要采用组合方法,实现了支持向量机的增量学习,具体方法如下：1.首先,在处理实际问题时,多数情况是属于多分类问题,而传统的支持向量机只能解决二分类问题。现在解决多分类问题的主要方法有一对余(OVR),一对一(OVO),二元树(BT),有向非循环图(DAG), QP-MC-SV算法,LP-MC-SV算法,κ-类方法和球形分类器算法,本文采用一对一(OVO)方法解决样本中的多分类问题。2.其次,本文将确定新增样本的数据类型,将新增样本分为在线增量数据和批增量数据两种,并判断新增样本是否违反了Karuch-Kuhn-Tucher (KKT)条件,如果没有违反,新增样本对原支持向量机没有影响；如果违反了,说明新增样本对原支持向量机有影响,需要进行增量学习。根据不同的数据类型,本增量学习算法分为两部分并都采用投票的方法分别进行在线增量学习和批增量学习。3.最后,使用UCI标准数据库中数据集,对本文提出的方法进行实验性分析。从实验结果可以看出,与其他增量学习算法相比,本文提出的方法具有较高的准确率,并且能很好的节省运算时间。

全文目录

摘要  2-3
Abstract  3-4
目录  4-5
引言  5-8
第一章支持向量机,增量算法和组合算法  8-18
  第一节支持向量机  8-15
    一、最大边缘超平面  8-10
    二、支持向量机  10-15
  第二节增量学习算法与增量数据类型  15-16
    一、增量学习算法  15-16
    二、增量数据类型  16
  第三节支持向量机组合方法简介  16-18
    一、投票组合方法  16-18
第二章支持向量机组合增量学习算法  18-24
  第一节多类分类器知识  18-20
  第二节 SVM增量学习算法  20-21
    1) SVM在线增量学习算法  20-21
    2) SVM批增量学习算法  21
  第三节实验分析  21-23
  第四节小结  23-24
总结与展望  24-25
参考文献  25-28
致谢  28-29
攻读学位期间发表的学术论文目录  29-30

支持向量机增量算法

内容摘要

全文目录

相似论文