支持向量回歸增量學習算法研究.pdf

1、支持向量回歸(Support Vector Regression,SVR)是模式識別領域一種重要的學習方法,旨在擬合目標數(shù)據(jù)。因其具有稀疏性,全局最優(yōu)性且能利用核函數(shù)解決非線性問題等特點而受到廣泛關注。本文主要針對SVR在大規(guī)模數(shù)據(jù)中學習效率低下的問題,擬采用增量學習的方法來解決。并進一步針對支持向量機算法在增量學習過程中因數(shù)據(jù)丟失而導致精度下降等問題,展開了深入研究,主要工作如下:
　　(1)基于支持向量回歸增量學習(ISVR)

2、算法提出一種L支持向量回歸增量學習(LISVR)方式,該方法主要針對因ISVR中支持向量丟失所產(chǎn)生的不利影響,通過不斷對支持向量樣本加權并及時淘汰非支持向量,增強了支持向量在增量過程中的作用,同時降低了算法時空復雜度。在人工數(shù)據(jù)集,UCI數(shù)據(jù)集和機場噪聲實際問題中,做了相關測試,驗證了該算法的有效性。
　　(2)為保證增量學習過程中,所保留的樣本中含有更豐富的信息,故充分挖掘目標數(shù)據(jù)中樣本分布的先驗信息,提取出局部密度因子。首先將