TY-JOURA2-Qian、江波AU-Xie、WenhaUA-Li、JinfengAU-Li、JuaniAU-Wang、小燕PY-2022DA-2022/11TI-ISVM算法基于高位距离并忘记特征SP-4872230VL-2022AB-面对批量访问数据或数据流随时间持续变化,传统支持矢量机算法无法动态调整前位分类模型克服这一缺陷建议增量支持矢量机算法然而,许多增量支持矢量算法仍然有缺陷,如低效率、内存限制和差泛化论文推介新的ISVM算法HDFC-ISVM ∗ 算法基础高维距离并忘记特征论文先建议原创HDFC-ISVM算法,先根据样本与规范超平面之间的距离学习样本分布特征并引出忘记因素在增量学习过程中,分类器逐步积聚样本空间分布知识,消除对分类器没有贡献的样本,并有选择地根据忘用因子忘记一些无效样本,这些因子克服了效率低和某些算法精度差等缺陷原创HDFC-ISVM算法敏感参数,而参数的不同设置对算法最终分类精度有极大影响基于原创算法 改进算法HDFC-ISVM ∗ 基于对初始化策略的调整和更新规则 并提议忘记因子初始化策略更新 忽略因子规则调整改进策略的合理性 忽略因素在理论上讨论同时,提议的算法比其他算法有更高的分类精度、分类效率以及更好的归纳能力,这些算法由实验验证SN-1058-9244UR-https://doi.org/101155/2022/4872230DO-10.115502020202230JF-科学编程PB-HindawiKW-ER