• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Fuzzy Systems >A Fuzzy Model With Online Incremental SVM and Margin-Selective Gradient Descent Learning for Classification Problems
【24h】

A Fuzzy Model With Online Incremental SVM and Margin-Selective Gradient Descent Learning for Classification Problems

机译：在线增量支持向量机和边距选择梯度下降学习的分类问题模糊模型

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper proposes a new incremental learning approach to endow a Takagi–Sugeno-type fuzzy classification model with high generalization ability. The proposed fuzzy model is learned through incremental support vector machine (SVM) and margin-selected gradient descent learning and is called $hbox{FM}^{rm 3} $. In this learning approach, training samples are fed incrementally one-by-one instead of all in one batch. The $hbox{FM}^{rm 3} $ evolves from an empty rule set. A one-pass clustering algorithm is used to determine the number of rules and initial fuzzy sets in the rule antecedent part. An online incremental linear SVM is proposed to tune the rule consequent parameters to endow the $hbox{FM}^{rm 3} $ with high generalization ability. The use of incremental instead of batch SVM enables the $hbox{FM}^{rm 3} $ to handle online training problems with only one new sample available at a time. For antecedent parameter learning, a margin-selected gradient descent algorithm is proposed to prevent overtraining. Simulation results and comparisons with SVMs and fuzzy classifiers with different learning algorithms demonstrate the advantage of the $hbox{FM}^{rm 3} $.
机译：本文提出了一种新的增量学习方法，以赋予Takagi-Sugeno型模糊分类模型高泛化能力。所提出的模糊模型是通过增量支持向量机（SVM）和边距选择的梯度下降学习来学习的，称为$ hbox {FM} ^ {rm 3} $。在这种学习方法中，训练样本将以逐步的方式一次喂入，而不是全部分批注入。 $ hbox {FM} ^ {rm 3} $从空规则集演变而来。使用一次遍历聚类算法来确定规则先行部分中规则的数量和初始模糊集。提出了一种在线增量线性支持向量机对规则的结果参数进行调整，使$ hbox {FM} ^ {rm 3} $具有较高的泛化能力。使用增量而不是批处理SVM可使$ hbox {FM} ^ {rm 3} $一次仅提供一个新样本来处理在线培训问题。对于先验参数学习，提出了一种余量选择梯度下降算法以防止过度训练。仿真结果以及与具有不同学习算法的SVM和模糊分类器的比较证明了$ hbox {FM} ^ {rm 3} $的优势。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号