面向新异检测的启发式约减支持向量数据描述
针对支持向量数据描述(SVDD)单类分类方法运算复杂度高的缺点,提出一种启发式约减支持向量数据描述(HR-SVDD)方法。以启发的方式从原有训练集中筛选出部分样本构成约减训练集,对约减训练集进行二次规划解算,得到支持向量和决策边界。通过不同宽度系数高斯核SVDD特征的讨论,证明了HR-SVDD的有效性。人工数据集和真实数据集上的实验结果表明, HR-SVDD分类精度与传统支持向量数据描述相当,但具有更快的运算速度和更小的内存占用。
支持向量数据描述、启发式约减支持向量数据描述、新异检测
TP181(自动化基础理论)
2014-10-27(万方平台首次上网日期,不代表论文的发表时间)
共5页
1783-1787