一种新的基于KKT条件的错误驱动SVM增量学习算法

分析了SVM增量学习过程中,样本SV集跟非SV集的转化,考虑到的始非SV集和新增样本对分类信息的影响,改进了原有KKT条件,并结合改进了的错误驱动策略,提出了新的基于KKT条件下的错误驱动增量学习算法,在不影响处理速度的前提下,尽可能多的保留原始样本中的有用信息,剔除新增样本中的无用信息,提高分类器精度,最后通过实验表明该算法在优化分类器效果,提高分类器性能方面上有良好的作用.