基于邊界檢測(cè)的快速一類支持向量機(jī)訓(xùn)練方法.pdf

1、在大數(shù)據(jù)時(shí)代，數(shù)據(jù)的有效處理與應(yīng)用變得尤為重要，而機(jī)器學(xué)習(xí)則是進(jìn)行數(shù)據(jù)處理的重要工具。其中，分類是機(jī)器學(xué)習(xí)中十分重要的研究課題。分類指的是對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)而得到分類器，然后用分類器將一個(gè)未知標(biāo)簽的樣本標(biāo)記為某個(gè)類別。而單分類/一分類(One Class Classification，OCC)是一種特殊的分類問(wèn)題，即在分類器的學(xué)習(xí)訓(xùn)練階段，只通過(guò)對(duì)正樣本這一個(gè)類別的數(shù)據(jù)進(jìn)行學(xué)習(xí)，就可以得到分類器(這不同于二分類問(wèn)題，必須通過(guò)對(duì)正負(fù)兩類數(shù)

2、據(jù)的學(xué)習(xí)訓(xùn)練，才能得到分類器)。而應(yīng)用最為廣泛的單分類算法是單類/一類支持向量機(jī)(One-Class Support Vector Machine，OC-SVM)。由于繼承了支持向量機(jī)的優(yōu)良特性，遵從結(jié)構(gòu)風(fēng)險(xiǎn)化原則，優(yōu)秀的泛化性能，在模式識(shí)別，文本分類，異類檢測(cè)等領(lǐng)域應(yīng)用廣泛。本文對(duì)單分類方法(OCC)尤其是單類支持向量機(jī)(OC-SVM)進(jìn)行了系統(tǒng)的研究，所取得的主要研究成果為：
　　1.對(duì)常見的單分類算法(OCC)進(jìn)行了系統(tǒng)闡述

3、和比較，并分析了常見單分類算法間的不同特點(diǎn)與應(yīng)用場(chǎng)合。對(duì)單類支持向量機(jī)算法(OC-SVM)做了深入研究，分析了兩種單類支持向量機(jī)算法，即支持向量數(shù)據(jù)描述(Support Vector Data Description,SVDD)和?-支持向量分類器(Support Vector Classifier,ν-SVC)，并在幾何和數(shù)學(xué)意義上統(tǒng)一描述了這兩種單類支持向量機(jī)的等同性。
　　2.對(duì)單類支持向量機(jī)在大規(guī)模數(shù)據(jù)上的訓(xùn)練時(shí)間復(fù)雜度問(wèn)

4、題進(jìn)行了研究。利用其支持向量特點(diǎn)，提出了一種基于邊界檢測(cè)的快速訓(xùn)練方法，有效解決了其訓(xùn)練時(shí)間復(fù)雜度問(wèn)題。為更好地提取邊界樣本，本文提出了一種基于角度-密度度量的邊界檢測(cè)方法。在多個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，這種方法可以有效解決單類支持向量機(jī)的訓(xùn)練復(fù)雜度問(wèn)題。單類支持向量機(jī)的決策函數(shù)由位于邊界區(qū)域的少量的支持向量決定。因此位于邊界區(qū)域的樣本被認(rèn)為是對(duì)分類結(jié)果最有影響的樣本子集。所以本人將會(huì)用邊界樣本來(lái)重構(gòu)一個(gè)更小規(guī)模的樣本