资源描述：
《一种svdd增量学习淘汰算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、（录用定稿）网络首发时间:2017-11-1717:11:23GB/T7714-2015格式参考文献：孔祥鑫;周炜;王晓丹;于明秋.一种SVDD增量学习淘汰算法[J/OL].计算机工程与应用,:1-9.(2017-11-17).http://kns.cnki.net.hebeu.vpn358.com/kcms/detail/11.2127.TP..1711.006.html.DOI:10.3778/j.issn.1002-8331.1705-0338一种SVDD增量学习淘汰算法孔祥鑫周炜王晓丹于明秋空军工程大学防空反导学院导出/参考文献已关注关注X关注成功！加关注后您将方便地在我的关注
2、中得到本文献的被引频次变化的通知！分享·新浪微博·腾讯微博·人人网·开心网·豆瓣网·网易微博收藏打印摘 要：在基于支持向量数据描述(SupportVectorDataDescription,SVDD)的增量学习中,现有方法通常舍弃了较多对新模型构建有用的样本,导致增量学习的精度严重下降。针对这一问题,提出了一种新的SVDD增量学习淘汰算法(newremovingalgorithmforincrementalSVDDlearning,NISVDD)。在分析增量学习过程中支持向量集变化特性的基础上,定义自适应学习阈值α,筛选出可能成为新支持向量的样本;同时,提出一种样本淘汰机制,避免
3、无用样本的重复训练。基于UCI数据集和弹头目标仿真HRRP数据的实验结果表明,新算法在提升模型训练效率的同时具备比常规增量算法更高的分类精度。关键词：支持向量数据描述;增量学习;自适应阈值;淘汰机制;作者简介：孔祥鑫(1993-),男,硕士生,研究领域为智能信息处理;作者简介：周炜(1962-),男,副教授,硕士生导师,研究领域为智能信息处理与信息安全;作者简介：王晓丹(1966-),女,教授,博士生导师,研究领域为智能信息处理、机器学习;作者简介：于明秋(1992-),男,硕士生,研究领域为网络信息安全,E-mail:@163.com。基金：国家自然科学基金(No.)Aremovin
4、galgorithmforincrementalSVDDlearningKONGXiangxinZHOUWeiWANGXiaodanYUMingqiuAirandMissileDefenseCollege,Air-forceEngineeringUniversity;Abstract：Inincrementallearningbasedonsupportvectordatadescription(SVDD),existingmethodsoftendiscardmoreusefulsamplesfornewmodelswhichleadtoseriousdropintheaccurac
5、yofincrementallearning.Focusedonthisproblem,anewremovingalgorithmforincrementalSVDDlearningisproposed.Basedontheanalysisofsupportvectorset'schangeinincrementallearningprocess,adaptivelearningthresholdαisdefinedtofilteroutsamplesthatmaybecomenewsupportvectors;Furthermore,asampleremovingmethodispr
6、oposedtoavoidrepetitivetrainingforuselesssamples.SimulationwiththeUCIbenchmarkdatasetsandwarheadtargetsimulationHRRPdataindicatesthatnewalgorithmhasbetterclassificationaccuracythanconventionalincrementalalgorithmwhileimprovingthetrainingefficiencyofthemodel.Keyword：supportvectordatadescription;i
7、ncrementallearning;adaptivethreshold;removingmethod;1引言支持向量数据描述[1](SVDD)是Tax和Duin等人提出的一种单分类算法。它使用同类样本数据建立一个最小超球体的数学模型,用来实现对原样本的描述和新样本的分类[2-4]。然而,在大多数情况下,我们难以在训练初期就获得某类样本完备的训练数据集,即训练样本是不断加入的。为满足准确率的要求,通常将新增样本加入原样本中一起进行训练并更新分类
