一种基于局部敏感哈希的SVM快速增量学习算法

发布时间：2018-06-24 15:08

  本文选题：LSH + SVM　； 参考：《计算机科学》2017年S2期

【摘要】：为了提高大规模高维度数据的训练速度和分类精度,提出了一种基于局部敏感哈希的SVM快速增量学习方法。算法首先利用局部敏感哈希能快速查找相似数据的特性,在SVM算法的基础上筛选出增量中可能成为SV的样本,然后将这些样本与已有SV一起作为后续训练的基础。使用多个数据集对该算法进行了验证。实验表明,在大规模增量数据样本中,提出的SVM快速增量学习算法能有效地提高训练学习的速度,并能保持有效的准确率。
[Abstract]:In order to improve the training speed and classification accuracy of large-scale high-dimensional data, a fast incremental learning method for SVM based on local sensitive hashing is proposed. The algorithm firstly uses the property of local sensitive hashing to find similar data quickly, and then selects samples that may be SV in increment based on SVM algorithm, and then takes these samples together with existing SV as the basis of subsequent training. The algorithm is verified by multiple data sets. Experimental results show that the proposed SVM fast incremental learning algorithm can effectively improve the training learning speed and maintain an effective accuracy in large scale incremental data samples.
【作者单位】： 浙江工业大学信息工程学院;
【基金】：面向非特定产品质量检测的一般性目标识别方法(LZ14F030001)资助
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 杨静;张健沛;刘大昕;;基于多支持向量机分类器的增量学习算法研究[J];哈尔滨工程大学学报;2006年01期

2 秦玉平;王秀坤;王春立;;实现兼类样本类增量学习的一种算法[J];控制与决策;2009年01期

3 秦玉平;王秀坤;王春立;;实现兼类样本增量学习的一种算法[J];计算机应用与软件;2009年08期

4 秦玉平;陈一荻;王春立;王秀坤;;一种新的类增量学习方法[J];计算机工程与应用;2011年34期

5 时建中;程龙生;;基于增量学习系统的财务危机动态预警[J];技术经济;2012年05期

6 王洪波;赵光宙;齐冬莲;卢达;;一类支持向量机的快速增量学习方法[J];浙江大学学报(工学版);2012年07期

7 秦玉平;伦淑娴;王秀坤;;一种新的兼类样本类增量学习算法[J];计算机科学;2012年09期

8 姜卯生,王浩,姚宏亮;朴素贝叶斯分类器增量学习序列算法研究[J];计算机工程与应用;2004年14期

9 刘梅,权太范,姚天宾;基于增量学习神经模糊网络的机动目标跟踪[J];电子学报;2005年11期

10 李祥纳;艾青;秦玉平;刘卫江;;支持向量机增量学习算法综述[J];渤海大学学报(自然科学版);2007年02期

相关会议论文 前10条

1 秦亮;唐静;史贤俊;肖支才;;一种改进的支持向量机增量学习算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

2 张庆彬;吴惕华;刘波;;一种改进的基于群体的增量学习算法[A];第二十六届中国控制会议论文集[C];2007年

3 张健沛;李忠伟;杨静;;一种基于多支持向量机的并行增量学习方法(英文)[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

4 王悦凯;吴晓峰;翁巨扬;;Where-What网络增量学习特性探究[A];第一届全国神经动力学学术会议程序手册 & 论文摘要集[C];2012年

5 赵莹;万福永;;支持向量机的增量学习算法及其在多类分类问题中的应用[A];第25届中国控制会议论文集（下册）[C];2006年

6 王红军;徐小力;付瑶;;基于SVM的旋转机械故障诊断知识获取[A];第八届全国设备与维修工程学术会议、第十三届全国设备监测与诊断学术会议论文集[C];2008年

7 陈兆基;杨宏晖;杜方键;;用于水下目标识别的选择性SVM集成算法[A];中国声学学会水声学分会2011年全国水声学学术会议论文集[C];2011年

8 刘欣;章勇;王娟;;增量学习的TFIDF_NB协同训练分类算法[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

9 程丽丽;张健沛;杨静;马骏;;一种改进的层次SVM多类分类方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

10 刘闪电;王建东;;权重部分更新的大规模线性SVM求解器[A];2009年研究生学术交流会通信与信息技术论文集[C];2009年

相关博士学位论文 前5条

1 孙宇;针对含有概念漂移问题的增量学习算法研究[D];中国科学技术大学;2017年

2 李敬;增量学习及其在图像识别中的应用[D];上海交通大学;2008年

3 段华;支持向量机的增量学习算法研究[D];上海交通大学;2008年

4 刘晓峰;面向抗噪语音识别的SVM关键问题研究[D];太原理工大学;2014年

5 赵强利;基于选择性集成的在线机器学习关键技术研究[D];国防科学技术大学;2010年

相关硕士学位论文 前10条

1 李丹;基于马氏超椭球学习机的增量学习算法研究[D];渤海大学;2015年

2 赵翠翠;基于RBF神经网络的集成增量学习方法研究[D];河北工业大学;2015年

3 王会波;基于支持向量机的混合增量学习算法与应用[D];华中师范大学;2016年

4 张健;增量学习在电子鼻智能烘烤系统中的应用研究[D];重庆大学;2016年

5 潘振春;基于实例的领域适应增量学习方法研究[D];南京理工大学;2017年

6 刘国欣;基于增量学习SVM分类算法的研究与应用[D];中北大学;2017年

7 杜玲;覆盖算法的增量学习研究[D];安徽大学;2010年

8 张智敏;基于增量学习的分类算法研究[D];华南理工大学;2010年

9 李杰;数据复杂度的增量学习方法研究[D];广东工业大学;2015年

10 王媛;支持向量机增量学习算法及其在入侵检测中的应用研究[D];吉林大学;2008年

，

本文编号：2061933