|
|
1.
分布熵惩罚的支持向量数据描述
胡天杰, 胡文军, 王士同
计算机应用
2021, 41 (8):
2212-2218.
DOI: 10.11772/j.issn.1001-9081.2020101542
针对支持向量数据描述（SVDD）对惩罚参数相当敏感的问题，提出一种新颖的异常检测方法，称为分布熵惩罚的支持向量数据描述（DEP-SVDD）。首先，将正常样本作为数据的全局分布，并在高斯核空间中定义每个样本点与正常样本分布中心的距离度量；然后，基于该距离设计评估样本点属于正常或异常样本的概率；最后，利用此概率构造基于分布熵的惩罚度以对相应的样本进行惩罚。在9个真实数据集上，将所提方法与SVDD、密度权的支持向量数据描述 （DW-SVDD）、位置正则的支持向量数据描述（P-SVDD）、
K最近邻（
KNN）和孤立森林（iForest）算法进行对比实验，结果表明DEP-SVDD在6个数据集上获得了最高的分类精度，可见相较于多种异常检测方法，DEP-SVDD在异常检测中具有更好的性能优势。
参考文献 |
相关文章 |
多维度评价
|
|
