论文部分内容阅读
提出了一种超球支持向量机类增量学习算法。对每一类样本，利用超球支持向量机在特征空间中求得包围该类尽可能多样本的最小超球，使各类样本之间通过超球隔开。类增量学习过程中，只对新增类样本进行训练，使得该算法在很小的样本集、很小的空间代价下实现了类增量学习，大大降低了训练时间，同时保留了历史训练结果。分类过程中，通过计算待分类样本到各超球球心的距离判定其所属类别，分类简单快捷。实验结果证明，该算法不仅具有较高的训练速度，而且具有较高的分类速度和分类精度。