基于支持向量機增量學(xué)習的網(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)頁自動分類算法中,支持向量機(SVM)學(xué)習能力出色,已成為機器學(xué)習領(lǐng)域的研究熱點。經(jīng)典的支持向量機訓(xùn)練算法是不支持增量學(xué)習的,若重新對所有樣本進行訓(xùn)練非常浪費時間。因此,對支持向量機增量學(xué)習的研究具有重要的理論意義和實用價值。
　　 本文介紹了支持向量機的發(fā)展、原理和相關(guān)技術(shù),分析了目前支持向量機常用的訓(xùn)練算

2、法和增量學(xué)習的多種方式,闡述了支持向量機核函數(shù)的原理和機制,討論了全局核函數(shù)和局部核函數(shù)的優(yōu)缺點。針對增量學(xué)習中篩選出的樣本點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信息,能夠有效進行增量學(xué)習,提高分類效率并降低分類時間。針對局部核函數(shù)學(xué)習能力良好但泛化能力差的缺點,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;針對核函數(shù)未考慮會受增量學(xué)習影響的問