最小方差支撑向量数据域描述

doi:10.3724/SP.J.1087.2012.00416

计算机应用 ›› 2012, Vol. 32 ›› Issue (02): 416-424.DOI: 10.3724/SP.J.1087.2012.00416

最小方差支撑向量数据域描述

王晓明¹,王士同²,彭宏¹

1. 西华大学数学与计算机学院，成都 610039
2. 江南大学数字媒体学院，江苏无锡 214122

收稿日期:2011-07-18 修回日期:2011-09-19 发布日期:2012-02-23 出版日期:2012-02-01
通讯作者: 王晓明
作者简介:王晓明(1977-)，男，四川简阳人，博士，主要研究方向：模式识别、图像处理；
王士同(1964-)，男，江苏扬州人，教授，博士生导师，主要研究方向：人工智能、模糊系统；
彭宏(1966-)，男，四川乐山人，教授，主要研究方向：图像处理。
基金资助:
国家自然科学基金资助项目(61103168);西华大学重点科学研究基金资助项目(Z1012617);四川省网络智能信息处理高校重点实验室资助项目(SGXZD1002-10)

Minimum variance support vector data description

WANG Xiao-ming¹,WANG Shi-tong²,PENG Hong¹

1. School of Mathematics and Computer Engineering, Xihua University, Chengdu Sichuan 610039, China
2. School of Digital Media, Jiangnan University, Wuxi Jiangsu 214122, China

Received:2011-07-18 Revised:2011-09-19 Online:2012-02-23 Published:2012-02-01
Contact: WANG Xiao-ming

摘要/Abstract

摘要： 支撑向量数据域描述(SVDD)是一种已经得到了广泛应用的核方法，但是其在构建超球时没有充分考虑数据分布信息。针对此问题，首先等价改写了SVDD算法优化问题，然后重新定义了该优化问题中的距离定义形式，进而提出了最小方差支撑向量数据域描述(MVSVDD)算法。该算法充分考虑数据的分布信息。实验结果表明，相对于传统SVDD算法，MVSVDD在泛化能力上得到了较为明显的提高，体现出了更好的描述数据域的能力。

关键词: 支撑向量数据域描述, 核方法, 例外点检测, 最小类方差支撑向量机, 数据分布

Abstract: Support Vector Data Description (SVDD), which is one of the widely applied kernel methods, has not taken the information of data distribution into full consideration. Concerning this issue, the optimization of SVDD was first reformulated equivalently, and then the distance in the optimization was redefined. Finally, a new algorithm called Minimum Variance Support Vector Data Description (MVSVDD) was presented, which exploited the information of data distribution. The experimental results denote that, in contrast to SVDD, MVSVDD obtains clear enhancement in generalization performance, and has better ability of describing data.

Key words: Support Vector Data Description (SVDD), kernel method, outlier detection, minimum class variance support vector machine, data distribution

中图分类号:

TP181

王晓明王士同彭宏. 最小方差支撑向量数据域描述[J]. 计算机应用, 2012, 32(02): 416-424.

WANG Xiao-ming WANG Shi-tong PENG Hong. Minimum variance support vector data description[J]. Journal of Computer Applications, 2012, 32(02): 416-424.

参考文献

[1]SCHOLKOPF B, SMOLA A. Learning with kernels [M]. Cambridge: MIT Press, 2002. [2]CRISTIANINI N, TAYLOR J S. An introduction to support vector machines [M]. Cambridge: Cambridge University Press, 2000. [3]ZAFEIRIOU S, TEFAS A, PITAS I. Minimum class variance support vector machines [J]. IEEE Transactions on Image Processing, 2007, 16(10): 2551-2564. [4]HUANG K Z, YANG H Q, KING I, et al. Maxi-min margin machine: Learning large margin classifiers locally and globally [J]. IEEE Transactions on Neural Networks, 2008, 19(2): 260-272. [5]TAX D M J, DUIN R P W. Support vector data description [J]. Machine Learning, 2004, 54(1): 45-66. [6]何伟成, 方景龙. 基于信息熵的支持向量数据描述分类[J]. JOCA, 2011, 31(4):1114-1116. [7]缪志敏, 潘志松, 袁伟伟,等.一种新的基于SVDD的多类分类算法[J].计算机科学, 2009, 36(3):65-68. [8]BEN-HUR A, HORN D, SIEGELMANN H T, et al. Support vector clustering [J]. Journal of Machine Learning Research, 2001, 2: 125-137. [9]TSANG I W, KWOK J T, ZURADA J M. Generalized core vector machines [J]. IEEE Transactions on Neural Networks, 2006, 17(5):1126-1140. [10]WANG XIAOMING, CHUNG F-L, WANG SHITONG. Theoretical analysis for solution of support vector data description [J]. Neural Networks, 2011, 24(4): 360-369. [11]FLETCHER R. Practical methods of optimization [M]. 2nd ed. New York: Wiley, 1987. [12]HE XIAOFEI, YAN SHUICHENG, HU YUXIAO, et al. Face recognition using Laplacianfaces [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 17(3):328-340. [13]YANG JIAN, YANG JING-YU. Why can LDA be performed in PCA transformed space? [J]. Pattern Recognition, 2003, 36(2):563-566. [14]BLAKE C, MERZ C. UCI repository of machine learning databases [EB/OL]. [2011-04-16]. http://www.ics.uci.edu/~mlearn/MLRepository.html. [15]陈斌, 冯爱民, 陈松灿,等.基于单簇聚类的数据描述[J].计算机学报, 2007, 30(8):1325-1332.

最小方差支撑向量数据域描述

Minimum variance support vector data description

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 14

编辑推荐

Metrics

[1]	杨美姣, 刘惊雷. 基于Nyström方法的偏好特征提取[J]. 计算机应用, 2018, 38(9): 2515-2522.
[2]	曹大为, 贺超波, 陈启买, 刘海. 基于加权核非负矩阵分解的短文本聚类算法[J]. 计算机应用, 2018, 38(8): 2180-2184.
[3]	马生俊, 陈旺虎, 俞茂义, 李金溶, 郏文博. 云环境下影响数据分布并行应用执行效率的因素分析[J]. 计算机应用, 2017, 37(7): 1883-1887.
[4]	王少华, 狄岚, 梁久祯. 基于核与局部信息的多维度模糊聚类图像分割算法[J]. 计算机应用, 2015, 35(11): 3227-3231.
[5]	谭治英陈颖冯勇宋小波. 基于动态参数的函数空间学习最优核映射[J]. 计算机应用, 2013, 33(08): 2337-2340.
[6]	薛寺中谈锐陈秀宏. 基于核的半监督的局部保留投影降维方法[J]. 计算机应用, 2012, 32(08): 2235-2244.
[7]	周敬利周正达. 改进的云存储系统数据分布策略[J]. 计算机应用, 2012, 32(02): 309-312.
[8]	何亮刘加. 基于线性对数似然核函数的说话人识别[J]. 计算机应用, 2011, 31(08): 2083-2086.
[9]	张如艳王士同徐遥. t分布下基于核函数的最大后验概率分类方法[J]. 计算机应用, 2011, 31(04): 1079-1083.
[10]	徐峰罗军勇温涛. 一种改进的词序列核算法[J]. 计算机应用, 2009, 29(4): 1124-1127.
[11]	曹巍王珊. 面向多维混合型数据分布的混合多维直方图初探[J]. 计算机应用, 2009, 29(09): 2487-2490.
[12]	吴润秀吴水秀刘清. 基于粒计算的数据分片算法[J]. 计算机应用, 2007, 27(6): 1388-1391.
[13]	董春丽赵荣彩杜澎王峥. 基于线性不等式的数据划分方法的优化[J]. 计算机应用, 2007, 27(5): 1251-1253.
[14]	谷瑞军须文波 . 基于核方法的彩色图像量化研究[J]. 计算机应用, 2006, 26(9): 2063-2064.