论文研究基于云模型的最接近支持向量机增量学习方法.pdf

针对经典支持向量机在增量学习中的不足，提出一种基于云模型的最接近支持向量机增量学习算法。该方法利用最接近支持向量机的快速学习能力生成初始分类超平面，并与k-近邻法对全部训练集进行约简，在得到的较小规模的精简集上构建云模型分类器直接进行分类判断。该算法模型简单，无须迭代求解，时间复杂度较小，有较好的抗噪性，能较好地体现新增样本的分布规律。仿真实验表明，本算法能够保持较好的分类精度和推广能力，运算速度较快。