基于特征增量的新类识别方法研究

在分类应用的过程中,经常会出现新的类别,导致数据分布发生显著变化,使得原分类模型不再适用。如何识别新的类别使分类模型能适应其出现已经成为一个亟需解决的问题。本文提出基于特征增量的SVDD(支持向量数据描述)新类识别方法。该方法在SVDD算法的基础上,通过增加新特征,扩大特征空间维度从而提高模型对于新类的识别能力。在多个数据集上的实验结果表明,该方法能有效识别新类,使更新后的模型具有更高的准确度。

基于距离尺度学习的新类识别方法

在在线分类任务中经常会出现新类别,导致数据分布发生显著变化,使得已有分类器不再适用.如何识别新类以使分类器能适应其出现已成为在线分类亟待解决的问题.本文提出基于距离尺度学习的识别偏离型新类的算法用于解决该问题.该方法能在缺少先验知识的前提下自动识别新类,并较好地解决了样本间类别相似性同样本间距离不一致的问题,为分类器的自适应更新提供了关键技术.在多个数据集上的实验结果表明在客观新类出现后该方法能有效发现新类,可使更新后的分类器保持较高准确度,为实现适应新类的在线分类系统奠定坚实基础.