论文部分内容阅读
支持向量机性能主要受模型参数的影响，而支持向量机增量学习中模型参数选择问题研究较少。针对这一问题，提出一种支持向量机增量学习中模型参数选择方法。将鲁棒度作为增量学习的性能估计准则，用拟合误差和比例系数调节解空间取值范围，采用梯度下降法搜索参数，用初始模型参数作为梯度下降法的初始值。用该方法对Logistic模型和航空发动机振动监控进行实验。结果表明：与基本遗传算法和梯度法进行比较，所提方法能充分利用历史学习的结果，缩小解空间的搜索范围，加快收敛速度。