一种改善支撑向量域描述性能的核优化算法

被引:16
作者
赵峰
张军英
刘敬
机构
[1] 西安电子科技大学计算机学院
关键词
支撑向量域描述; 核函数; 非高斯性测度;
D O I
暂无
中图分类号
TP391.41 [];
学科分类号
080203 ;
摘要
支撑向量域描述(Support vector domain description,SVDD)是一种重要的数据描述算法,其性能受核参数的影响很大.基于最优核参数应导致特征空间中映射数据的分布是一个超球形区域的思想,提出一种核参数优化算法.首先,基于训练样本在特征空间所张成的子空间的一组标准正交基,给出一种描述映射数据分布的方法,回避了映射数据不可表示的难题;其次,基于最大熵原则的非高斯性测度,构造了一个估计数据分布逼近超球形区域程度的判别准则,用以确定最优核参数.基于仿真数据与实测数据的实验验证了本文方法的有效性。
引用
收藏
页码:1122 / 1127
页数:6
相关论文
共 2 条
[1]   Improving support vector data description using local density degree [J].
Lee, K ;
Kim, DW ;
Lee, D ;
Lee, KH .
PATTERN RECOGNITION, 2005, 38 (10) :1768-1771
[2]   Support vector data description [J].
Tax, DMJ ;
Duin, RPW .
MACHINE LEARNING, 2004, 54 (01) :45-66