基于聚類的增量支持向量機(jī)動(dòng)態(tài)構(gòu)造方法研究.pdf

1、高速連續(xù)產(chǎn)生數(shù)據(jù)的數(shù)據(jù)流使得需要對原始數(shù)據(jù)集進(jìn)行多次掃描挖掘的傳統(tǒng)方法變得力不從心。如何應(yīng)用結(jié)構(gòu)簡單、具有全局最優(yōu)、推廣能力強(qiáng)且應(yīng)用最廣泛技術(shù)之一的支持向量機(jī)在數(shù)據(jù)流上進(jìn)行高效數(shù)據(jù)挖掘成為目前的研究熱點(diǎn)問題，其自身的計(jì)算復(fù)雜性成為處理大規(guī)模數(shù)據(jù)時(shí)的“瓶頸”問題。 本文針對數(shù)據(jù)流上應(yīng)用支持向量機(jī)進(jìn)行增量式挖掘這一問題，在分析研究統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)方法的基礎(chǔ)上，針對數(shù)據(jù)流數(shù)據(jù)挖掘的特點(diǎn)，研究了支持向量機(jī)增量學(xué)習(xí)方法，提出一種基

2、于聚類的增量支持向量機(jī)的動(dòng)態(tài)構(gòu)造方法。該方法利用K-Means聚類分析方法調(diào)整增量學(xué)習(xí)算法中的訓(xùn)練樣本集，達(dá)到減小同一個(gè)樣本集中的樣本分布差異同時(shí)增大不同樣本集之間的樣本分布差異，使在動(dòng)態(tài)的數(shù)據(jù)流上數(shù)據(jù)特性更加明顯，從而提高算法的性能。其次，分析了現(xiàn)有分類器融合算法不適合多支持向量機(jī)分類器融合的原因，提出一種基于聚類劃分的多支持向量機(jī)分類器的融合算法，將那些被某些分類器正確分類但被某些分類器錯(cuò)誤分類的樣本挑選出來單獨(dú)處理，借鑒C-MCC