论文部分内容阅读
统计学习理论(Statistical Learning Theory，SLT)是一种基于小样本的机器学习理论。V．Vapni k等人从六十年代开始致力于此方面研究，到九十年代中期，其理论的不断发展和成熟，已基本形成一套比较完整的理论体系。V．Vapn i k在这一理论基础上发展了一种新的通用学习方法一一支撑向量机(Support Vect 0r Mach i ne s，SVM)。
支撑向量机是以统计学习理论为基础， 以结构风险最小化(Structure Risk Minimization，SRM)为原则的新型学习机，已经广泛地用于模式识别、回归估计、函数逼近、密度估计等方面。
增量学习技术作为一种智能知识发现技术，已经得到了广泛的研究。它与传统的学习技术相比，优越性在于它不仅可以舍弃无用样本并减小训练集，而且可以充分利用学习的历史结果，使学习具有了延续性。
本文在对已有的分类问题的SVM算法的研究分析基础上，结合Lin和wang提出的模糊支撑向量机模型和现有的最小二乘支撑向量机模型推导出最小二乘模糊支撑向量机模型，并在此基础上进一步结合在线块增量学习算法得到一种新的基于模糊支撑向量机的增量算法一一Incremental Chunking LS-FSVM(IC LS—FSVM)。
通过测试标准UCI测试数据库，证明在比LS—SVM算法更短的训练时间的情况下，我们的IC LS FSVM算法减少了噪音对分类精度的影响，提高了学习精度。