一种svdd增量学习淘汰算法.doc

(录用定稿) 网络首发时间: 2017-11-17 17:11:23
GB/T 7714-2015 格式参考文献:孔祥鑫;周炜;王晓丹;[J/OL]. 计算机工程与应用, :1-9. (2017-11-17). .hebeu./kcms/detail/.. .
DOI:.1002--0338
一种SVDD增量学****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(Support Vector Data Description, SVDD) 的增量学****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****的精度严重下降。针对这一问题, 提出了一种新的SVDD增量学****淘汰算法(new removing algorithm for incremental SVDD learning, NISVDD) 。在分析增量学****过程中支持向量集变化特性的基础上, 定义自适应学****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****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****br/>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:@。
基金:国家自然科学基金(No.)
A removing algorithm for incremental SVDD learning
KONG Xiangxin ZHOU Wei WANG Xiaodan YU Mingqiu
Air and Missile Defense College, Air-force Engineering University;
Abstract:
In incremental learning based on support vector data description (SVDD) , existing methods often discard more useful samples for new models which lead to serious drop in the accuracy of incremental learning. Focused on this problem, a new removing algorithm for incremental SVDD learning is proposed. Based on the analysis of support vector set's change in incremental learning process, adaptive learning threshold α is defined to filter out samples that may e new support vectors; Furthermore, a sample removing method is proposed to avoid repetitive training for useless samples. Simulation with the UCI benchmark datasets and warhead target simulation HRRP data indicates that new algorithm has better classification accuracy than conventional incremental algorithm while improving the training efficiency of the model.
Keyword:
support vector data descriptio