可变惩罚因子的支持向量数据描述算法  

A variable trade-off parameter support vector domain description

作　　者：刘富[1] 侯涛[1] 刘云[1] 张潇[1] 

机构地区：[1]吉林大学通信工程学院,长春130022

出　　处：《吉林大学学报（工学版）》2014年第2期440-445,共6页Journal of Jilin University:Engineering and Technology Edition

基　　金：国家自然科学基金项目(51105170);吉林大学创新基金项目(20121101)

摘　　要：支持向量数据描述(SVDD)是一种有效的数据描述算法。该算法中,作为定值的惩罚因子决定了数据描述的精度。然而实践中惩罚因子的选择是极其困难的,尤其是在训练数据含有噪声的情况下。为了解决这个问题,本文提出了一种可变惩罚因子的支持向量数据描述(VT-SVDD)算法。该算法根据样本点在核空间的位置分布,为每个样本计算一个惩罚因子,然后基于这种可变惩罚因子求解一个凸约束二次规划,即可以得到对数据集的球形域描述。为了验证所提的VT-SVDD的性能,在UCI数据集上进行了无噪声、有噪声两类训练数据的仿真实验。实验结果表明,VT-SVDD能有效提高传统SVDD的精确度和稳健性。Despite the factor that Support Vector Domain Description （SVDD） model is an effective method for describing a set of training data, one inherent drawback is that the description is very sensitive to the selection of the trade-off parameter, which is hard to estimate in practice. To solve the difficulty, we proposed a novel Variable Trade-off parameter Support Vector Domain Description （VT-SVDD）. In the proposed VT-SVDD, first, we assigned a position-based variable trade-off parameter to each data point. Then we computed a convex constrained quadratic programming based on the variable trade-off parameters. Finally, we can obtain a spherical data domain description for the training data. Experimental results demonstrate that the VT-SVDD can significantly improve the accuracy and robustness on UCI data sets.

关 键 词：计算机应用 支持向量数据描述(SVDD) 惩罚因子 稳健性 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]