基于支持向量的单类分类方法综述

被引：26

作者：

吴定海 ^{[1
]}

张培林 ^{[1
]}

任国全 ^{[1
]}

陈非 ^{[2
]}

机构：

[1] 军械工程学院火炮工程系

[2] 武汉士官学校基础部

来源：

计算机工程 | 2011年 / 37卷 / 05期

关键词：

单类分类; 支持向量; 数据描述; 模式识别;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

研究基于支持向量机理论和单类分类思想的2种支持向量域数据描述模型,即单分类支持向量机和支持向量描述模型,分析2类模型之间的区别和联系以及参数的优化设置,总结支持向量域单分类方法存在的缺点以及目前对这2类支持向量描述模型研究的改进方向。

引用

页码：187 / 189

页数：3

共 7 条

[1] 改进的SVDD增量学习算法 [J].

花小朋 ;

皋军 ;

田明 ;

刘其明 .

计算机工程, 2009, 35 (22) :210-211+215

[2] 基于推广能力测度的多类SVDD模式识别方法 [J].

朱孝开 ;

杨德贵 .

电子学报, 2009, 37 (03) :464-469

[3] 基于样本分割的快速高光谱图像异常检测支持向量数据描述方法 [J].

谌德荣 ;

宫久路 ;

陈乾 ;

曹旭平 .

兵工学报, 2008, (09) :1049-1053

[4] 一种改善支撑向量域描述性能的核优化算法 [J].

赵峰 ;

张军英 ;

刘敬 .

自动化学报, 2008, (09) :1122-1127

[5] 基于支持向量域的分离超平面 [J].

刘万里 ;

刘三阳 ;

薛贞霞 .

系统工程与电子技术, 2008, (04) :748-751

[6] Support vector data description [J].

Tax, DMJ ;

Duin, RPW .

MACHINE LEARNING, 2004, 54 (01) :45-66

[7] Estimating the support of a high-dimensional distribution [J].

Schölkopf, B ;

Platt, JC ;

Shawe-Taylor, J ;

Smola, AJ ;

Williamson, RC .

NEURAL COMPUTATION, 2001, 13 (07) :1443-1471

← 1 →