文献类型：期刊文章

作　　者：茅嫣蕾[1,2] 魏赟[1] 贾佳[2]

机构地区：[1]上海理工大学光电信息与计算机工程学院,上海200093 [2]上海生物信息技术研究中心,上海201202

出　　处：《电子科技》

基　　金：国家自然科学基金资助项目(61170277);上海市教委科研创新基金资助项目(12YZ094)

年　　份：2016

卷　　号：29

期　　号：2

起止页码：38-40

语　　种：中文

收录情况：CSA、CSA-PROQEUST、IC、INSPEC、RCCSE、普通刊

摘　　要：针对传统支持向量机(SVM)增量算法,在学习过程中因基于局部最优解而可能舍弃含隐性信息的非支持向量样本,以及对于新增样本需全部进行训练的缺点,文中提出一种基于KKT条件和壳向量的SVM增量学习算法。该方法利用壳向量的特性保留了训练样本集中可能含隐性信息的非支持向量,并只将违反KKT条件的增量样本加入新的训练集,从而提高运算效率。通过对公共数据集Abalone和Balance Scale的实验表明,新算法在属性列数较多的数据集上分类效果更明显。

关 键 词：SVM 增量学习  KKT条件 壳向量  

分 类 号：TP181]