检索结果

Select

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

摘要（338）

PDF （941KB）（290）

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

Select

2. 局部分块的一类支持向量数据描述

杨小明, 胡文军, 楼俊钢, 蒋云良

计算机应用 2015, 35 (4): 1026-1029. DOI: 10.11772/j.issn.1001-9081.2015.04.1026

摘要（471）

PDF （736KB）（518）

针对支持向量数据描述(SVDD)不能鉴别数据局部几何结构信息问题,提出了一种新颖的异常数据检测方法,称为局部分块的一类支持向量数据描述(OCSVDD_LP)。首先对数据进行局部分块,然后利用局部分块进行样本重构,最后采用SVDD对重构样本进行学习进而获得决策模型。人造数据集实验结果表明OCSVDD_LP能够捕捉数据的全局几何结构,也具备揭示数据局部几何结构信息的能力;真实数据集实验结果表明OCSVDD_LP在异常检测中具有较好的性能优势。

参考文献 | 相关文章 | 多维度评价

Select

3. 最大边界模糊核超球分类方法

王娟胡文军王士同

计算机应用 2011, 31 (09): 2542-2545. DOI: 10.3724/SP.J.1087.2011.02542

摘要（1449）

PDF （562KB）（345）

为了提高多类问题的分类精度,提出最大边界模糊核超球(LMFKHB)算法。首先将样本数据通过核函数映射到高维数据特征空间,然后利用提出的方法找出各个判决函数;同时引入模糊隶属函数解决死区样本的错分问题,从而增强了算法适应性，提高了分类精度。人造数据和现实数据的实验结果表明最大边界模糊核超球算法具有较好的性能。