多值分类环境下基于SVM增量学习的用户适应性研究

摘要：

用户适应问题是智能化人机接口设计中的一个重点和难点,它为人机接口的人性化、智能化和个性化提供支持.由于用户自身的特殊性,例如笔迹、口音、绘画习惯等,系统很难同时适应多个用户的使用.支持向量机(SVM)的学习方法是基于小样本的学习方法,它实现了结构风险最小化,避免了在学习过程中存在的过学习现象.增量学习能有效地利用历史训练结果,从而能在很小的时间空间代价下实现新样本的学习.基于SVM增量学习的方法,能从用户的历史数据中找到根本特性,而不会将可能造成用户冲突的、特定用户习惯的特征也记录下来,因此也就不会产生用户冲突.在在线图形识别系统中,与基于规则的用户适应方法相比,基于SVM增量学习的方法可以适应多个用户.对基于SVM的学习方法进行了分析,将其与用户适应紧密结合起来.对涉及到的3个方面进行了理论和实验上分析和对比:重复学习和增量学习;Syed等提出的和Xiao等提出的两种不同的基于SVM增量学习方法;"一对一"和"一对多"两种不同的多值分类构造方法.从而得出结论:两种增量学习方法都要明显优于重复学习;Syed等提出的增量学习方法在精度和效率都好于Xiao等提出的方法;一对一的多值分类构造方法要优于一对多的多值分类构造方法.

关键词：用户适应、支持向量机、增量学习、在线图形识别

所属期刊栏目：40

分类号：TP391(计算技术、计算机技术)

资助基金：National Natural Science Foundation of China69903006,60373065

在线出版日期：2008-05-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：257-266