傳統(tǒng)的機器學(xué)習(xí)方法是靜態(tài)的學(xué)習(xí)模式,即基于大量已有樣本進行訓(xùn)練,然后利用訓(xùn)練好的模型來完成特定的預(yù)測、分類或回歸等學(xué)習(xí)目標。然而,現(xiàn)實生活中數(shù)據(jù)不斷到來,導(dǎo)致舊模型需要不斷更新;而且,人類的學(xué)習(xí)也是逐漸累積、不斷成長的過程,隨著新知識的不斷涌現(xiàn),學(xué)習(xí)過程也需要同步更新。這樣,靜態(tài)的學(xué)習(xí)模式不能滿足持續(xù)學(xué)習(xí)的需要,如何在歷史學(xué)習(xí)成果的基礎(chǔ)上,采用增量學(xué)習(xí)的模式,更新、改進舊知識,而不必完全推倒所有歷史成果重新學(xué)習(xí),是人工智能及機器學(xué)習(xí)理論中一個非常重要的問題。支持向量機(Support Vector Machine,SVM)是統(tǒng)計學(xué)習(xí)理論中非常重要的一種機器學(xué)習(xí)方法,它基于統(tǒng)計學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險最小化的思想,通過解凸二次規(guī)劃問題,來得到最優(yōu)的分類超平面。本文基于學(xué)習(xí)樣本以數(shù)據(jù)流形式出現(xiàn),從極少樣本開始學(xué)習(xí),以及學(xué)習(xí)過程需要不斷調(diào)整與改進等實際情況,以在線式增量學(xué)習(xí)的角度,對SVM增量學(xué)習(xí)(ISVM)的相關(guān)理論、SVM增量學(xué)習(xí)的在線式過程以及如何提高SVM增量學(xué)習(xí)的效率與性能等進行了重點的研究。本文的主要工作和成果如下:1.傳統(tǒng)的SVM增量學(xué)習(xí)在每當(dāng)遇到違背Karush-Kuhn-Tucke...

【文章頁數(shù)】：110 頁

【學(xué)位級別】：博士

【部分圖文】：

第四章支持向量機的增量學(xué)習(xí)算法的研究p1=100,p2=6;pt為分類器的測試正確率（分類器在測試集上的分類正確率）sum(d)為所有樣本與分類超平面的距離之和。則每次增量學(xué)習(xí)之后，就可以拋棄那些與分類超平面距離大于β的樣本，保留其它樣本作為進一步增量學(xué)習(xí)的初始樣本。這里β為....

因而是完全可行的。根據(jù)相關(guān)向量機理論，建立的預(yù)測模型可表示為1,NiiifxwKxxb(5.3)從式(5.3)可知，并不是所有的樣本都在預(yù)測模型構(gòu)建中發(fā)揮同樣重要的作用，只有很少的一部分被稱為相關(guān)向量的樣本對相關(guān)向量機性能起決定性作用。相關(guān)....

(2-2)如圖所示：圖2-1支持向量機及分類超平面示意圖其中，A，B，C三點表示當(dāng)前模型對上述樣本未能最優(yōu)分類的情況。與b可通過解以下優(yōu)化問題得到：2,1min2..()11,...,bTistyxbil(2-3)其中，與b分別為最優(yōu)分....

浙江工業(yè)大學(xué)博士學(xué)位論文22圖2-2概念漂移問題[8]即類別的先驗概率發(fā)生了變化（圖2-2a）、類別本身的分布發(fā)生變化（圖2-2b）和類別中樣本的后驗概率發(fā)生變化（圖2-2c）[8]。針對概念漂移問題，一般采用如下幾種方法：（1）基本學(xué)習(xí)器的自適應(yīng)方法，如自適應(yīng)的決策樹方法、k....

本文編號：4009300