基于核的单类分类器研究
以统计学习理论为背景,以核方法为基础的两类典型单类分类算法:单类支持向量机(OCSVM)和支持向量数据域描述(SVDD),均以降低VC维为目标,其中前者通过寻找一个远离原点的超平面,使目标数据所在的正半空间尽量最小;而后者通过寻找一个包含大部分目标数据的最小超球,实现体积最小化.围绕上述两算法,已有大量改进形式出现。本文以此为主线,分别从模型构建、模型改进和数据预处理的角度,进行了回顾和阐述,并对各算法的特点给出了相应的总结.
核方法 单类分类器 单类支持向量机 支持向量数据域描述 统计学习 数据预处理
冯爱民 陈松灿
南京航空航天大学,信息科学与技术学院,江苏,南京,210016
国内会议
南京
中文
1-6
2008-11-14（万方平台首次上网日期，不代表论文的发表时间）