摘要：支持向量机增量算法的关键是对历史样本集的剪辑,在历史样本集中选择出尽可能少又能表示尽可能多历史样本集信息的子集,再把这个子集与新增训练样本集放在一起进行训练。Liva Ralaivola[1]提出保留新增样本最近邻样本来表示历史样本集,而这样的最近邻样本中可能存在冗余样本。根据历史样本与分类平面间的距离可以去除新增样本最近邻样本集中的冗余样本。根据样本平面距离提出了MSPDISVM(minimum sample plane distance incremental support vector ma-chines)算法。实验结果表明,MSPDISVM比Liva Ralaivola提出的算法有更快的速度,而精度没有太大的差异。使用样本平面距离可以有效地去除新增样本最近邻中的冗余样本。

摘要：为满足信用评估实时性和准确性要求,在增量学习框架下结合支持向量机(SVM)与AdaBoost(AB)算法设计IL-SVM-AB分类器。该IL-SVM-AB分类模型很好地克服了SVM在处理高维数据时对特征选择不主动导致准确率下降的缺点,并考虑到信用评估的数据样本会不断更新,引入新的价值指标。由此在增量学习的思想下,另外设计了数据判别以及SVM-AdaBoost数据处理两个子系统,并根据不同数据类别选择最优处理方式。实验结果表明,IL-SVM-AB判断信用价值的准确性相比一些传统算法模型以及集成算法模型平均提升了11.2%,最高提升了14%,所以IL-SVM-AB信用评估模型更具有实用性。

摘要：从数据结构与算法效率的优化方面考虑,采用面向对象的方法对数据挖掘C4.5算法进行编程设计;针对C4.5算法存在的不具备增量学习能力的缺陷,提出一种改进的增量学习方法,与现有方法相比较,运算量更小,速度更快。

摘要：针对开放域的安检X光图像违禁品检测难题,在YOLOv8系列模型基础上,从模型结构、训练策略和损失函数三个角度创新性地融入增量学习算法。通过设计一种新颖的蒸馏损失函数,促使新模型从旧模型中保留旧类别信息的同时,学习新类别知识,抵抗灾难性遗忘。通过在PIDray和CLCXray两个公开的安检X光图像数据集上进行实验,其结果表明:增量训练后的YOLOv8系列模型在新类别数据上的平均识别精度均超过了70%,而在旧类别数据上的平均识别精度仅降低约10%,并且具有更高的训练效率。

摘要：针对目前多数财务危机预警模型为静态建模、模型的增量学习能力不足等问题,设计了一种基于分类器集成的增量学习系统,利用财务类别导向知识对集成子系统进行动态选择,构建了具有增量学习能力的财务危机动态预警模型。基于实际财务数据的实验表明,基于增量学习系统的财务危机预警模型是一种兼具稳定性和适应性的财务危机预警工具。

摘要：在利用WiFi信号实现人群计数中,基于信道状态信息幅度(Channel State Information,CSI)存在分类模型滤波不彻底和准确度差的问题,本文提出了一种基于多接收天线之间相位差扩展矩阵信息的支持向量机(Support Vector Machine,SVM)增量学习算法.首先对CSI原始相位数据执行三重处理,以便最大程度的消除环境干扰和相位误差;另外提出了一种建立相位差扩展矩阵的思想,加入了不同人数场景的动态特征,提高了人群计数准确性.考虑到新增场景后,原训练数据和新增数据需合并进行重新训练,因训练数据过多会造成计算复杂度过高,为此我们提出了一种基于SVM增量学习分类算法,设计了一个循环迭代过程,实现了对增量数据在线学习的功能,且在提升人群计数准确率和降低计算复杂度方面均取得了较好的效果.算法结果表明,本文方法可实现实时人群计数,在最大计数误差为1人时,平均计数精度可达95%以上,且随着场景增多在训练识别模型时节约的时间越显著.

摘要：目的 基于深度学习的运动想像脑机接口技术在智能康复领域具有很好的发展前景。然而,运动想像脑电信号(motor imagery-electroencephalogram,MI-EEG)是一种非平稳信号,其数据分布和特征空间会随着康复进程的推进而发生变化,这会导致卷积神经网络(convolutional neural network,CNN)模型的识别能力下降。为改善运动想像解码模型对时间的自适应性,本文提出一种基于知识蒸馏和注意力损失的时间增量学习系统(session-incremental learning system,SILS)。方法 首先,对运动想象脑电信号进行带通滤波和下采样等预处理,以增强与运动想象相关的信息;其次,设计一种多分支双注意力多模块卷积神经网络对多导联MI-EEG进行多尺度时间特征和空间特征的提取与整合,并基于注意力机制增强通道和空间维度的关键信息;然后,利用知识蒸馏技术及注意力损失改善增量时期解码模型持续学习新知识和保留旧知识的能力;进一步,基于最近邻法挑选少量优质旧样本进行数据回放,提升增量模型的抗遗忘性能力;最后,基于BCI Competition IV Dataset 2b公开数据集进行大量实验研究,通过可塑性和稳定性两项指标验证SILS性能。结果 SILS对第1~5阶段的数据依次取得79.21%、79.05%、89.06%、88.38%和88.47%的平均准确率,第5阶段的SILS对第1~4时段(session)数据的平均遗忘率分别为9.72%、9.10%、9.88%和6.04%。结论 SILS具有自动调整模型参数,保持持续学习和自我更新的能力,表现出很好的时间适应性和性能稳定性。

摘要：随着3G网络的全面普及，手机广告目前已逐渐成为商家抢占市场的一种营销手段，但手机广告投放的精准性是目前比较突出的一个问题。本文介绍了BP神经网络以及AdaBoost算法的基本原理，研究了应用AdaBoost结合BP神经网络算法的增量学习模型，该模型基于用户历史点击记录来预测手机用户感兴趣的广告类别，以提高手机广告投放的精准度。

摘要：本文所提出的增量学习支持向量机图像识别算法是分为两阶段来执行：第一阶段是更新超平面参数的概率分布，第二阶段是更新输出值的概率分布，并反复的执行每一层更新的过程，接下来分别对这两阶段的架构做详细的说明。

摘要：疾病预测模型通过利用收集到的医疗数据,能够在患者疾病发作前准确地进行疾病预测.目前在疾病预测方面深受欢迎的深度神经网络,它依靠增加网络层数来提升模型的准确率,利用梯度下降来进行权重的更新,而这导致了模型梯度爆炸、训练速度慢等问题.一旦数据更新,深度神经网络需要重新训练,进而导致模型更新困难.宽度学习(Broad Learning System,BLS)无须梯度下降的特性与其可通过增量学习快速重构的优势为有效解决上述问题提供了技术方案,但是BLS无法提取到隐藏在医疗数据中深层次的特征,其在复杂的医疗环境下仍然表现不佳.针对该问题,本文提出一种基于降噪自动编码器(Denoising AutoEncoder,DAE)与宽度学习的增量式疾病预测模型——DAE-BLS.所提模型将DAE引入BLS的架构设计中,结合了DAE在混乱环境下的降噪能力与BLS的简洁快速的特点,既保证了高效的运算能力又增强了特征提取能力,因而更适用于复杂医疗环境.将DAE-BLS在包含不同格式以及不同数据量的糖尿病、心力衰竭、心电异常和乳腺癌数据集上进行模拟预测实验,实验结果表明,DAE-BLS能够在保留宽度结构的神经网络快速高效特点的同时,在不同格式的数据上表现出很好的性能,分别达到96.62%,94.53%,98.50%与83.64%的准确率,并能在需要更改模型结构时通过增量学习技术快速重构以适应用户不断变化的疾病数据.