增量和减量式标准支持向量机的分析*

摘要：

　　当训练数据每次发生改变时,例如增加或者删除部分数据,标准支持向量机的批处理算法就需要重新进行训练,这将不适合在线环境的计算。为了克服这个问题,Cauwenberghs 和 Poggio 提出了增量和减量式标准支持向量机算法(C&P算法)。通过理论分析,证明C&P算法的可行性和有限收敛性。可行性证明确保了C&P算法的每步调整都是可靠的,有限收敛性证明确保了 C&P 算法通过有限步调整最终收敛到问题的最优解。在此基础上,进一步通过实验结果验证了所给出的理论分析的结果。

关键词：支持向量机、增量式学习、减量式学习、可行性分析、收敛性分析

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金重点项目61139002,61232016;国家自然科学基金青年科学基金61202137;江苏高校优势学科建设工程资助项目;南京信息工程大学科研启动费20110433

在线出版日期：2013-08-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1601-1613