基于统计学习理论的支持向量机方法由于具有全局最优和良好的泛化能力,在近几年无论在理论上还是在应用上得到了广泛的研究,并取得了重要成果,但支持向量机方法仍存在不少缺点,如对于大规模数据,其学习速度较慢等。 本文详细研究了支持向量机方法,并提出了基于壳向量的快速学习算法,主要研究工作包括: (1)提出了一种新的支持向量机快速算法——基于壳向量的SVM快速分类算法,该算法充分利用训练样本集的几何结构信息,首先从中寻求最有可能成为支持向量的“壳向量”,组成新的训练样本集,之后再进一步进行SVM训练,从中寻取支持向量,令算法速度有了很大的提高。仿真结果表明,该方法与标准支持向量机方法相比,提高了学习速度,同时分类精度保持不变。 (2)在壳向量SVM快速分类算法的基础上,提出了基于壳向量的支持向量机增量学习算法。在增量学习的过程中,利用训练样本集中的几何信息,在样本中首先选取壳向量,它是支持向量集的一个规模较小的扩展集,将其作为新的训练样本集,再进行支持向量训练,很大程度上降低了求取支持向量过程中的二次优化运算时间,使增量学习的训练速度大为提高。与单纯使用支持向量代表样本数据集合进行增量学习的传统算法相比,分类精度也得到了提高。仿真表明了算法的有效性。 (3)在汽车牌照字符识别领域中进行了应用研究。