您好,欢迎来鸿运国际网! ,新用户?[免费注册]
  1. 首页
  2. 最新更新
  3. 电子百科
  4. 电子问答
  5. 3G手机
  6. 网站导航
您的位置:鸿运国际网 > 源码下载 > 数值算法/人工智能 >

局部分块支持向量数据描述

大小:0.72 MB 人气: 2018-01-12 需要积分:3
推荐 + 挑错 + 收藏(0) + 用户评论0
  通过对正常样本学习获得数据特征属性的过程称为异常检测,属于一类分类问题。在许多应用领域,如假币识别、医疗诊断、机器故障诊断、生物发酵过程异常监测、通信领域辐射源个体识别等。由于获得异常数据的可能性小,且获取过程需要花费大量的人力和物力,故异常检测在近几十年里得到了广泛关注。一种是利用超球面实现异常检测,如支持向量数据描述(Support Vector Data DescripTIon,SVDD)和小球体大间隔(Small Sphere and Large Margin,SSLM),它们可以捕捉数据的全局结构但不能用于多分布的数据集。为此,Xiao等提出多球支持向量数据描述(MulTI-Sphere SVDD.MS-SVDD),不但捕捉数据的全局结构,也能应用于含多个不同分布的数据中。另外一种是利用超平面将正常样本与异常样本分离开,如一类支持向量机( One-Class SVM,OCSVM),而为了适应大样本学习,Tsang等利用L2范数改进了OCSVM,提出一类12支持向量机(One-Class L2-SVM,OCSVML2)。但是,像其他统计学习方法一样,SVDD.SSLM、MS-SVDD、OCSVM和OCSVML2、Kemel PCA( Kemel Principal Component Analysis)在建模学习时,仅考虑到数据的全局几何结构,而忽略了数据的局部几何结构,导致隐藏在局部结构中的信息丢失。近年来,局部加权方法已成功应用于多种统计学习方法中,应用表明局部加权方法可以有效捕捉数据的局部结构。为此,本文将局部加权引入到一类SVDD中,并通过局部分块和局部样本数据重构,提出局部分块的一类SVDD( One-Class SVDD based on Local Patch.OCSVDDcp)异常检测方法。
非常好我支持^.^ (0) 0%
不好我反对 (0) 0%

      发表评论

      用户评论
      评价:好评中评差评
      发表评论,获取积分! 请遵守相关规定!
      
      鸿运国际手机欢迎你