一类支持向量机的快速增量学习方法

提出一类支持向量机(OCSVM)的快速增量学习方法.在OCSVM初始分类器的基础上,添加一个德尔塔函数形成新的决策函数,实现增量学习的过程.通过分析德尔塔函数的几何特性,构造出与OCSVM相似的优化目标函数,从而求解德尔塔函数的参数.优化问题能够进一步转化为标准的二次规划(QP)问题,但是在优化过程中Karush-Kuhn-Tucker(KKT)条件发生很大改变.根据新的KKT条件,为QPP提出修正的序贯最小优化(SMO)求解方法.整个学习过程直接操作初始分类器,仅仅训练新增样本,避免了对初始样本的重复训练,因此能够节约大量的学习时间和存储空间.实验结果表明,提出的快速增量学习方法在时间和精度上均优于其他的增量学习方法.