吉林大学学报(工学版) ›› 2014, Vol. 44 ›› Issue (2): 440-445.doi: 10.13229/j.cnki.jdxbgxb201402026
刘富, 侯涛, 刘云, 张潇
LIU Fu, HOU Tao, LIU Yun, ZHANG Xiao
摘要：
支持向量数据描述（SVDD）是一种有效的数据描述算法。该算法中，作为定值的惩罚因子决定了数据描述的精度。然而实践中惩罚因子的选择是极其困难的，尤其是在训练数据含有噪声的情况下。为了解决这个问题，本文提出了一种可变惩罚因子的支持向量数据描述（VT-SVDD）算法。该算法根据样本点在核空间的位置分布，为每个样本计算一个惩罚因子，然后基于这种可变惩罚因子求解一个凸约束二次规划，即可以得到对数据集的球形域描述。为了验证所提的VT-SVDD的性能，在UCI数据集上进行了无噪声、有噪声两类训练数据的仿真实验。实验结果表明，VT-SVDD能有效提高传统SVDD的精确度和稳健性。
中图分类号:
| [1] Tax D M, Duin R P. Support vector data description[J]. Machine Learning, 2004, 54(1):45-66.[2] Tax D M, Duin R P. Support vector domain description[J]. Pattern Recognition Letters, 1999, 20(11):1191-1199.[3] Lee S-W, Park J, Lee S-W. Low resolution face recognition based on support vector data description[J]. Pattern Recognition, 2006, 39(9):1809-1812.[4] Seo J, Ko H. Face detection using support vector domain description in color images[C]//Acoustics, Speech, and Signal Processing(ICASSP'04), Mont-real, Quebec, Canada, 2004.[5] Dong X, Zhaohui W, Wanfeng Z. Support vector domain description for speaker recognition[C]//Proceedings of the 2001 IEEE Signal Processing Society Workshop, North Falmouth, MA, USA, 2001.[6] Sjstrand K, Hansen M S, Larsson H B, et al. A path algorithm for the support vector domain description and its application to medical imaging[J]. Medical Image Analysis, 2007, 11(5):417-428.[7] Bu H-g, Wang J, Huang X-b. Fabric defect detection based on multiple fractal features and support vector data description[J]. Engineering Applications of Artificial Intelligence, 2009, 22(2):224-235.[8] Lee K, Kim D-W, Lee D, et al. Improving support vector data description using local density degree[J]. Pattern Recognition, 2005, 38(10):1768-1771.[9] Guo S-M, Chen L-C, Tsai J S-H. A boundary method for outlier detection based on support vector domain description[J]. Pattern Recognition, 2009, 42(1):77-83.[10] Zhang Y, Chi Z-X, Li K-Q. Fuzzy multi-class classifier based on support vector data description and improved PCM[J]. Expert Systems with Applications, 2009, 36(5):8714-8718.[11] Wang C-D, Lai J. Position regularized support vector domain description[J]. Pattern Recognition. 2013, 46(3):875-884.[12] Blake C L, Newman D J, Merz C J. UCI repository of machine learning databases[EB/OL].[2012-11-10]. http://www.ics.uci.edu/mlearn/MLRepository.html[13] Vapnik V. The Nature of Statistical Learning Theory[M]. Berlin: Springer, 1999. |
| [1] | 刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850. |
| [2] | 王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858. |
| [3] | 金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866. |
| [4] | 赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872. |
| [5] | 刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878. |
| [6] | 欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570. |
| [7] | 刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599. |
| [8] | 桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605. |
| [9] | 刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613. |
| [10] | 车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628. |
| [11] | 赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223. |
| [12] | 黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230. |
| [13] | 傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236. |
| [14] | 曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243. |
| [15] | 侯永宏, 王利伟, 邢家明. 基于HTTP的动态自适应流媒体传输算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1244-1253. |
|
||