本文针对支持向量数据描述(Support Vector Data Description,SVDD)中的在线学习问题,提出了一种增量支持向量数据描述(Incremental Support Vector Data Description,ISVDD)方法。首先,理论明确了增量学习机理在SVDD中的可行性,并深入分析了在线新增样本与已有样本集合的集合划分问题;同时从理论上给出了ISVDD中样本系数变化的依据,推导了ISVDD的理论过程。其次,为了提高理论完备性与应用可靠性,在六种条件下实现了样本属性之间的迁移,获得各个样本系数的变化量。ISVDD方法不仅继承了标准SVDD的优点,能够获得和标准SVDD同样的分类性能,并且显著减少了在线增量样本的训练时间,缓解了数据优化中对内存量的巨大需求。实验结果证明了本文方法的有效性和正确性。
