论文部分内容阅读
在支持向量机的学习过程中，有些情况下训练样本不能一次全部给出，这样当有新样本加入训练集时，支持向量集和训练样本集的等价关系将被打破。为了解决这个问题，本文提出了有新样本加入的支持向量机的学习策略。通过对新样本的分析，选出能代替原样本和新样本进行学习的样本，并给出这些样本应满足的条件，最后给出了相应的学习策略。对标准数据集的实验表明，本学习策略可以在新增样本增加后，有效压缩样本集的大小，提高分类的速度，舍弃无用的样本，同时保证了分类精度。