吴　青, 赵　祥

(西安邮电大学 自动化学院, 陕西 西安 710121)

支持向量机(support vector machines, SVM)是一种基于统计学习理论的机器学习方法[1-2]，其借助最优化理论来解决机器学习问题，体现了统计学习理论中的结构风险最小化思想，目前已经得到了广泛的应用[3-5]。支持向量(support vectors, SV)是SVM训练样本中的一组特殊向量集合，这些向量通常离最优分类面较近，对最终的分类面的确定起着决定性的作用[6]。通常情况下，SV只占训练集的一部分，但是在标准SVM算法的学习过程中，大量时间花费在非SV的样本上，当处理大规模样本集时，算法的学习效率进一步降低，使得SVM算法在很多实际应用问题中受到制约[7]。因此，提高算法的效率是一个很重要的研究课题。

在支持向量机的基础上提出了增量学习SVM(incremental learning algorithm of SVM, ISVM)[8]算法。由于ISVM算法在处理大规模数据集以及流数据方面具有优势，已经得到了广泛的研究[9-10]。与标准SVM算法相比，其优势在于能够充分利用历史训练信息，无需对加入新增量后的训练集重新训练，但是其训练样本中包含了很多对最终结果无用的数据，对算法的训练效率造成了一定的影响。为了解决上述问题，一种基于向量投影的支持向量机增量学习算法[11]被提出，该算法利用预选取训练样本的方法对训练样本进行预处理，有效地提高了增量算法的训练速度，但其选取边界样本的方法过于简单，致使选取的边界样本的数目过多，影响了算法的性能[12]。

为了提高算法学习效率及其在处理大规模……