基于支持向量域的分离超平面

为了提高支持向量机(support vector machines,SVM)和支持向量域分类器(support vector domainclassifier,SVDC)的精度,减少SVM的训练时间,建立一种分离超平面。该算法首先通过确定参数以减少每类的野点。然后分别对每类样本应用support vector domain description(SVDD)算法分别进行描述以求取两个超球的球心和边界向量;根据到这两个超球心的最大距离和为准则来确定出分类超平面的法向量。最后在两球相邻边界中间点建立一个分离超平面。该方法是从整体上考虑分类信息,是尝试SVDD和SVM的结合。实验结果表明,提出的算法与SVDC相比,精度有了显著提高;与SVM相比,不仅精度有所提高,而且训练速度随着样本容量的增大也有很大提高。