傳統(tǒng)的機(jī)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(jìn)行訓(xùn)練,然后利用訓(xùn)練好的模型來(lái)完成特定的預(yù)測(cè)、分類(lèi)或回歸等學(xué)習(xí)目標(biāo)。然而,現(xiàn)實(shí)生活中數(shù)據(jù)不斷到來(lái),導(dǎo)致舊模型需要不斷更新;而且,人類(lèi)的學(xué)習(xí)也是逐漸累積、不斷成長(zhǎng)的過(guò)程,隨著新知識(shí)的不斷涌現(xiàn),學(xué)習(xí)過(guò)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(jìn)舊知識(shí),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(jī)器學(xué)習(xí)理論中一個(gè)非常重要的問(wèn)題。支持向量機(jī)(Support Vector Machine,SVM)是統(tǒng)計(jì)學(xué)習(xí)理論中非常重要的一種機(jī)器學(xué)習(xí)方法,它基于統(tǒng)計(jì)學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化的思想,通過(guò)解凸二次規(guī)劃問(wèn)題,來(lái)得到最優(yōu)的分類(lèi)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(kāi)始學(xué)習(xí),以及學(xué)習(xí)過(guò)程需要不斷調(diào)整與改進(jìn)等實(shí)際情況,以在線式增量學(xué)習(xí)的角度,對(duì)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(guò)程以及如何提高SVM增量學(xué)習(xí)的效率與性能等進(jìn)行了重點(diǎn)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(yè)數(shù)】：110 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

第四章支持向量機(jī)的增量學(xué)習(xí)算法的研究p1=100,p2=6;pt為分類(lèi)器的測(cè)試正確率（分類(lèi)器在測(cè)試集上的分類(lèi)正確率）sum(d)為所有樣本與分類(lèi)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(lèi)超平面距離大于β的樣本，保留其它樣本作為進(jìn)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(jī)理論，建立的預(yù)測(cè)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(cè)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(chēng)為相關(guān)向量的樣本對(duì)相關(guān)向量機(jī)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(jī)及分類(lèi)超平面示意圖其中，A，B，C三點(diǎn)表示當(dāng)前模型對(duì)上述樣本未能最優(yōu)分類(lèi)的情況。與b可通過(guò)解以下優(yōu)化問(wèn)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(wèn)題[8]即類(lèi)別的先驗(yàn)概率發(fā)生了變化（圖2-2a）、類(lèi)別本身的分布發(fā)生變化（圖2-2b）和類(lèi)別中樣本的后驗(yàn)概率發(fā)生變化（圖2-2c）[8]。針對(duì)概念漂移問(wèn)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(shù)方法、k....

本文編號(hào)：4009300