论文部分内容阅读
提出了一种基于支持向量回归的增量学习算法，该算法在增量学习中除了考虑原训练集中的支持向量（SVs）外，还考虑了非SVs与ε-带（ε-insensitive zone）的边界距离较近的样本，并将这些样本与新的训练集一起训练．试验结果表明，与传统的支持向量机增量学习算法相比，此算法提高了训练精度；与经典的SVR相比，此算法大大节约了训练时间，是一种行之有效的增量学习算法．