1、支持向量機(jī)(Support vector maehine，SVM)作為一種新興的統(tǒng)計(jì)學(xué)習(xí)算法，以其優(yōu)秀的理論基礎(chǔ)（結(jié)構(gòu)最小化理論、核空間理論）脫穎而出。它是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種通用學(xué)習(xí)機(jī)器，其關(guān)鍵的思想是利用核函數(shù)把一個(gè)復(fù)雜的分類任務(wù)通過核函數(shù)映射使之轉(zhuǎn)化成一個(gè)在高維特征空間中構(gòu)造線性分類超平面的問題。支持向量機(jī)由于其優(yōu)秀的學(xué)習(xí)性能，在分類問題中得到了廣泛的應(yīng)用。增量學(xué)習(xí)技術(shù)是一種得到廣泛應(yīng)用的智能化數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)技術(shù)
2、，它基于歷史的學(xué)習(xí)結(jié)果對(duì)新增加的數(shù)據(jù)進(jìn)行再學(xué)習(xí)，使得學(xué)習(xí)具有一定的連續(xù)性。
本文的主要工作為:首先，分析了支持向量機(jī)的理論基礎(chǔ)、基本概念、要解決的關(guān)鍵技術(shù)問題以及增量學(xué)習(xí)的基本概念。隨后，分析了幾種現(xiàn)有的支持向量機(jī)增量學(xué)習(xí)算法，通過分析可知:大部分都沒有充分考慮到新增樣本對(duì)初始樣本集中位于支持向量附近的非支持向量的影響，致使一些有用的歷史數(shù)據(jù)過早的被淘汰，從而嚴(yán)重影響分類的精度，通過引入邊界支持向量概念，提出了一種基于邊界支持
