基于最小化界外密度的SVDD参数优化算法

摘要：

支持向量数据描述(support vector data description,SVDD)是一种具有单类数据描述能力的数据分类算法,因具有结构风险最小化的特性而受到广泛关注.SVDD的参数优化是影响其分类效果的关键问题,本文通过引入样本点的密度信息,提出了以界外密度最小化为目标的参数优化函数,避免了漏检率的计算问题,可充分利用训练数据的分布信息,提高数据描述能力,降低错分率.仿真实验和UCI标准数据库的对比验证表明,优化后的SVDD算法能够有效降低漏检率和错分率,提高算法性能.

关键词：支持向量数据描述、参数优化、密度

所属期刊栏目：37

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61375055;新世纪优秀人才支持计划NCET-12-0447;陕西省自然科学基金2014JQ8365;华能集团科技项目HNKJ13-H20-04资助课题

在线出版日期：2015-07-17（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：1446-1451