摘要
在基于支持向量数据描述(Support Vector Data Description,SVDD)的增量学习中,现有方法通常舍弃了较多对新模型构建有用的样本,导致增量学习的精度严重下降。针对这一问题,提出了一种新的SVDD增量学习淘汰算法(New removing algorithm for Incremental SVDD learning,NISVDD)。在分析增量学习过程中支持向量集变化特性的基础上,定义自适应学习阈值α,筛选出可能成为新支持向量的样本;同时,提出一种样本淘汰机制,避免无用样本的重复训练。基于UCI数据集和弹头目标仿真HRRP数据的实验结果表明,新算法在提升模型训练效率的同时具备比常规增量算法更高的分类精度。
-
单位空军工程大学防空反导学院