基于支持向量域描述的学习分类器  

Learning Classifier Based on Support Vector Domain Description

作　　者：陆从德[1] 张太镒[1] 李灿平[2] 张伟[3] 

机构地区：[1]西安交通大学电子与信息工程学院,陕西西安710049 [2]成都理工大学信息工程学院,四川成都610059 [3]俄勒冈州立大学电子工程与计算机科学学院,美国俄勒冈97331

出　　处：《微电子学与计算机》2005年第11期75-78,81,共5页Microelectronics & Computer

基　　金：国家自然科学基金资助项目(90207012)

摘　　要：文章在分析支持向量域描述的基础上发展了一类基于描述的学习分类器。该算法在训练时通过在高维特征空间中求取所描述的训练样本的超球体边界,然后通过该边界对样本数据进行分类。文章所获得的学习算法和支持向量机(SVM)和序列最小优化(SMO)算法相比,不仅降低了样本的采集代价,而且在训练速度上有了很大提高。在CBCL人脸库和USPS手写数字识别的实验中,给出了该算法和SVM、SOM算法的实验对比结果,说明了该学习算法的有效性。This paper proposes a novel learning classifier based on data description. This algorithm can obtain the boundary of super-sphere including one-category samples by the description of the samples in this category samples in training, and then uses this boundary to classify the test samples. The learning algorithm shown in this paper not only decreases the collecting cost of samples, but also increases greatly the speed of training. The experiment on CBCL face database and USPS handwritten digital database presents the comparison of this algorithm with SVM and SOM, which illustrates the effectiveness of this learning algorithm.

关 键 词：支持向量域描述 学习分类器 支持向量机 序列最小优化 

分 类 号：TP311.56[自动化与计算机技术—计算机软件与理论]