可变惩罚因子的支持向量数据描述算法

摘要：

支持向量数据描述(SVDD)是一种有效的数据描述算法.该算法中,作为定值的惩罚因子决定了数据描述的精度.然而实践中惩罚因子的选择是极其困难的,尤其是在训练数据含有噪声的情况下.为了解决这个问题,本文提出了一种可变惩罚因子的支持向量数据描述(VT SVDD)算法.该算法根据样本点在核空间的位置分布,为每个样本计算一个惩罚因子,然后基于这种可变惩罚因子求解一个凸约束二次规划,即可以得到对数据集的球形域描述.为了验证所提的VT-SVDD的性能,在UCI数据集上进行了无噪声、有噪声两类训练数据的仿真实验.实验结果表明,VT-SVDD能有效提高传统SVDD的精确度和稳健性.

关键词：计算机应用、支持向量数据描述(SVDD)、惩罚因子、稳健性

所属期刊栏目：44

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目51105170;吉林大学创新基金项目20121101

在线出版日期：2016-05-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：440-445