一種改進的支持向量數(shù)據(jù)描述算法.pdf

1、在現(xiàn)實世界中,萬事萬物都有著其特征,這樣的特征或多或少、或重要或不重要。人們通過事物的特征可以確定其所屬分類,但是當事物的特征都很多時,如果人們依靠傳統(tǒng)的方法對事物進行分類就顯得耗時耗力,并且分類的精確性不高。而分類作為一種預測模型,如果分類的精確性低或用時長,則這種預測將變得毫無價值。因此人們提出了各種分類模型來對事物進行預測,其中支持向量機和支持向量描述數(shù)據(jù)在對高維數(shù)據(jù)進行預測時有著一定的優(yōu)勢,并且根據(jù)不同的要求,對這兩種算法的改進

2、應用到了現(xiàn)實生活中的許多領域。
　　首先,本文研究了數(shù)據(jù)挖掘分類算法中的支持向量機的背景和理論,分析并總結了SVM各種改進方法的研究現(xiàn)狀。其次,在分析和研究支持向量數(shù)據(jù)描述幾種改進算法的基礎上,針對構造SVDD分類器實質上是求解一個優(yōu)化的二次規(guī)劃問題,并且影響SVDD算法決策邊界的因素為訓練樣本的支持向量,為了提高SVDD算法的訓練速度,引入K-均值聚類和樣本相似度,提出了一種基于約減集的兩次訓練的RSTSVDD算法。該算法以聚類

3、和樣本相似度區(qū)間的方法將訓練樣本集劃分為多個子集,從這些子集中隨機抽取訓練樣本作為一個訓練子集來訓練一個SVDD分類器的決策邊界,再以分類器的決策邊界找出原始訓練集的可能支持向量構成一個新的訓練子集,來訓練另一個SVDD分類器的決策邊界。最后,本文在3個不同維的breast-cancer數(shù)據(jù)集上,分別用SVDD算法、RSVDD算法與RSTSVDD算法進行了實驗,并對它們的性能進行比較。實驗結果表明,在保持分類精度基本不變的基礎上,RST