基于邊界檢測的快速一類支持向量機訓(xùn)練方法.pdf

1、在大數(shù)據(jù)時代，數(shù)據(jù)的有效處理與應(yīng)用變得尤為重要，而機器學(xué)習(xí)則是進(jìn)行數(shù)據(jù)處理的重要工具。其中，分類是機器學(xué)習(xí)中十分重要的研究課題。分類指的是對訓(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未知標(biāo)簽的樣本標(biāo)記為某個類別。而單分類/一分類(One Class Classification，OCC)是一種特殊的分類問題，即在分類器的學(xué)習(xí)訓(xùn)練階段，只通過對正樣本這一個類別的數(shù)據(jù)進(jìn)行學(xué)習(xí)，就可以得到分類器(這不同于二分類問題，必須通過對正負(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(One-Class Support Vector Machine，OC-SVM)。由于繼承了支持向量機的優(yōu)良特性，遵從結(jié)構(gòu)風(fēng)險化原則，優(yōu)秀的泛化性能，在模式識別，文本分類，異類檢測等領(lǐng)域應(yīng)用廣泛。本文對單分類方法(OCC)尤其是單類支持向量機(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與應(yīng)用場合。對單類支持向量機算法(OC-SVM)做了深入研究，分析了兩種單類支持向量機算法，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的等同性。
　　2.對單類支持向量機在大規(guī)模數(shù)據(jù)上的訓(xùn)練時間復(fù)雜度問

4、題進(jìn)行了研究。利用其支持向量特點，提出了一種基于邊界檢測的快速訓(xùn)練方法，有效解決了其訓(xùn)練時間復(fù)雜度問題。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方法。在多個標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行了實驗驗證，實驗結(jié)果表明，這種方法可以有效解決單類支持向量機的訓(xùn)練復(fù)雜度問題。單類支持向量機的決策函數(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)為是對分類結(jié)果最有影響的樣本子集。所以本人將會用邊界樣本來重構(gòu)一個更小規(guī)模的樣本