支持向量回歸增量學(xué)習(xí)算法研究.pdf

1、支持向量回歸(Support Vector Regression,SVR)是模式識(shí)別領(lǐng)域一種重要的學(xué)習(xí)方法,旨在擬合目標(biāo)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(diǎn)而受到廣泛關(guān)注。本文主要針對(duì)SVR在大規(guī)模數(shù)據(jù)中學(xué)習(xí)效率低下的問題,擬采用增量學(xué)習(xí)的方法來解決。并進(jìn)一步針對(duì)支持向量機(jī)算法在增量學(xué)習(xí)過程中因數(shù)據(jù)丟失而導(dǎo)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(xué)習(xí)(ISVR)

2、算法提出一種L支持向量回歸增量學(xué)習(xí)(LISVR)方式,該方法主要針對(duì)因ISVR中支持向量丟失所產(chǎn)生的不利影響,通過不斷對(duì)支持向量樣本加權(quán)并及時(shí)淘汰非支持向量,增強(qiáng)了支持向量在增量過程中的作用,同時(shí)降低了算法時(shí)空復(fù)雜度。在人工數(shù)據(jù)集,UCI數(shù)據(jù)集和機(jī)場(chǎng)噪聲實(shí)際問題中,做了相關(guān)測(cè)試,驗(yàn)證了該算法的有效性。
　　(2)為保證增量學(xué)習(xí)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(biāo)數(shù)據(jù)中樣本分布的先驗(yàn)信息,提取出局部密度因子。首先將