排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
快速支持向量机增量学习算法 总被引:3,自引:0,他引:3
支持向量机对数据的学习往往因为规模过大造成学习困难,增量学习通过把数据集分割成历史样本集和新增样本集,利用历史样本集的几何分布信息,通过定义样本的遗忘因子,提取历史样本集中的那些可能成为支持向量的边界向量进行初始训练.在增量学习过程中对学习样本的知识进行积累,有选择地淘汰学习样本.实验结果表明,该算法在保证学习的精度和推广能力的同时,提高了训练速度,适合于大规模分类和在线学习问题. 相似文献
2.
为提高含有异常值数据集的学习性能,对基于支持向量机的鲁棒算法进行了研究,深入分析了异常值降低标准支持向量机推广能力的本质原因,从基于支持向量机的异常值检测和抑制异常值对支持向量机的影响两个方面,较为系统地回顾了国内外在该领域的研究发展现状和最新研究进展,其中包括各种算法的基本思想和主要特点.归纳总结了支持向量机关于异常值问题的主要研究内容、方法、研究成果以及存在的问题,并进一步提出了在应用方面的研究方向. 相似文献
3.
4.
5.
对噪声和异常值较敏感、鲁棒性差是超限学习机(ELM)的主要问题.在1-范数损失函数的基础上,提出截断1-范数损失函数来抑制噪声和异常值的影响,建立了基于截断1-范数损失函数的鲁棒ELM模型.通过迭代重赋权算法求解对应的优化问题,并利用4个模拟数据集和9个真实数据集验证模型的有效性.数值实验结果表明,在噪声环境下鲁棒ELM的泛化性能优于对比方法,并且具有较强的鲁棒性,尤其是在异常值比例较大的情形下. 相似文献
1