一類支持向量機(jī)集成.pdf

1、異常檢測(cè)在機(jī)器學(xué)習(xí)和模式識(shí)別領(lǐng)域可以看作是單類分類問(wèn)題，單類分類器僅需使用正常數(shù)據(jù)進(jìn)行訓(xùn)練，但是可以將待測(cè)樣本分類為正常數(shù)據(jù)或異常數(shù)據(jù)。迄今為止，出現(xiàn)了很多單類分類器，其中最為常用的是一類支持向量機(jī)和支持向量數(shù)據(jù)描述。在為單類分類器選取參數(shù)時(shí)，一般是使用交叉驗(yàn)證的方法，如果參數(shù)選擇的不合理，所得的單類分類器就不能對(duì)正常數(shù)據(jù)的分布很好地加以擬合，構(gòu)造出的分類邊界就不夠緊致。為了提高單個(gè)單類分類器的性能，可以將多個(gè)單類分類器按照一定的規(guī)則加

2、以集成，使最終得到的分類器更好地對(duì)正常數(shù)據(jù)的分布進(jìn)行擬合，從而產(chǎn)生更加緊致的分類邊界。
　　AdaBoost方法是一種常用的分類器集成方法，而一類支持向量機(jī)是強(qiáng)分類器，用作AdaBoost集成方法的基分類器，集成效果不顯著。故此，我們將AdaBoost方法加以改進(jìn)，使其適用于一類支持向量機(jī)。此外，還提出了一種支持向量數(shù)據(jù)描述選擇性集成的方法。該方法首先利用相交相關(guān)熵和自相關(guān)熵分別代替負(fù)相關(guān)學(xué)習(xí)中的訓(xùn)練誤差和負(fù)相關(guān)項(xiàng)，建立相應(yīng)的權(quán)重