基于聚類的增量支持向量機動態(tài)構造方法研究.pdf

1、高速連續(xù)產生數據的數據流使得需要對原始數據集進行多次掃描挖掘的傳統(tǒng)方法變得力不從心。如何應用結構簡單、具有全局最優(yōu)、推廣能力強且應用最廣泛技術之一的支持向量機在數據流上進行高效數據挖掘成為目前的研究熱點問題，其自身的計算復雜性成為處理大規(guī)模數據時的“瓶頸”問題。 本文針對數據流上應用支持向量機進行增量式挖掘這一問題，在分析研究統(tǒng)計學習理論與支持向量機方法的基礎上，針對數據流數據挖掘的特點，研究了支持向量機增量學習方法，提出一種基

2、于聚類的增量支持向量機的動態(tài)構造方法。該方法利用K-Means聚類分析方法調整增量學習算法中的訓練樣本集，達到減小同一個樣本集中的樣本分布差異同時增大不同樣本集之間的樣本分布差異，使在動態(tài)的數據流上數據特性更加明顯，從而提高算法的性能。其次，分析了現有分類器融合算法不適合多支持向量機分類器融合的原因，提出一種基于聚類劃分的多支持向量機分類器的融合算法，將那些被某些分類器正確分類但被某些分類器錯誤分類的樣本挑選出來單獨處理，借鑒C-MCC