基于支持向量機(jī)增量學(xué)習(xí)的網(wǎng)頁分類方法.pdf

1、網(wǎng)絡(luò)信息含量的爆炸和過載給人們帶來了Web時(shí)代的新挑戰(zhàn),網(wǎng)頁分類是組織和利用海量互聯(lián)網(wǎng)信息的一種有效途徑。在已出現(xiàn)的多種網(wǎng)頁自動(dòng)分類算法中,支持向量機(jī)(SVM)學(xué)習(xí)能力出色,已成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。經(jīng)典的支持向量機(jī)訓(xùn)練算法是不支持增量學(xué)習(xí)的,若重新對(duì)所有樣本進(jìn)行訓(xùn)練非常浪費(fèi)時(shí)間。因此,對(duì)支持向量機(jī)增量學(xué)習(xí)的研究具有重要的理論意義和實(shí)用價(jià)值。
　　 本文介紹了支持向量機(jī)的發(fā)展、原理和相關(guān)技術(shù),分析了目前支持向量機(jī)常用的訓(xùn)練算

2、法和增量學(xué)習(xí)的多種方式,闡述了支持向量機(jī)核函數(shù)的原理和機(jī)制,討論了全局核函數(shù)和局部核函數(shù)的優(yōu)缺點(diǎn)。針對(duì)增量學(xué)習(xí)中篩選出的樣本點(diǎn)信息含量不足或過于冗余的問題,提出了新的篩選模型,考慮支持向量的幾何分布特征,利用超圓錐模型選出的樣本點(diǎn)信息,能夠有效進(jìn)行增量學(xué)習(xí),提高分類效率并降低分類時(shí)間。針對(duì)局部核函數(shù)學(xué)習(xí)能力良好但泛化能力差的缺點(diǎn),提出結(jié)合全局核函數(shù)來構(gòu)造新聯(lián)合函數(shù)的方法,使其能夠結(jié)合兩類核函數(shù)的優(yōu)點(diǎn);針對(duì)核函數(shù)未考慮會(huì)受增量學(xué)習(xí)影響的問