全文总字数：836字

1. 研究目的与意义及国内外研究现状

半监督学习支持向量机（SSSVM）在训练样本维度高、数量少时，可能将未标记样本全都分到同一个类，为解决这个问题通常需要引进均衡约束来确保未标记样本分配到不同的类，本文我们提出了一个新的均衡约束算法，并进行实验验证该算法比以往的均衡约束算法提高了SSSVM的性能。

国内外研究现状

Joachims（1999b）直接规定未标记样本正类样本数量和负类样本数量的比例要和标记样本中正类样本数量和负类样本数量比例一样。Chapelle和Zien(2005)使用了一个相似的稍微宽松的约束：

2. 研究的基本内容

半监督学习支持向量机（SSSVM）是一种有效的利用未标记样本的学习方法。在训练样本维度高、数量少时，可能将未标记样本全都分到同一个类，为解决这个问题通常需要引进均衡约束来确保未标记样本分配到不同的类。本课题我们在均衡约束的条件下，提出对应的增量学习方法和解路径学习方法。

3. 实施方案、进度安排及预期效果

1.在已有半监督svm增量学习的算法框架下，扩展完成能处理平衡约束的增量式学习算法。2.通过大量半监督数据集的测试，分析与验证提出的增量式学习算法有效性。

3. 在已有半监督svm增量学习的算法框架下，扩展完成能处理平衡约束的解路径学习算法。

4. 通过大量半监督数据集的测试，分析与验证提出的路径学习算法有效性。

4. 参考文献

Ogawa K, Imamura M, Takeuchi I, et al. Infinitesimal annealing for training semi-supervised support vector machines[C]// International Conference on Machine Learning. 2013:897-905.