關(guān)于SVDD和OCSVM模式降噪算法的研究.pdf

1、核方法是模式識(shí)別中最重要的算法之一，近年來被廣泛地學(xué)習(xí)和使用。支撐向量數(shù)據(jù)描述（SVDD）和單類支撐向量機(jī)（OCSVM）是研究單分類問題的核方法，這兩種算法常用于模式降噪。然而，SVDD模式降噪算法在降噪時(shí)需要多次的迭代過程才能找到最終降噪后的樣本，而每一次降噪都會(huì)在循環(huán)體和矩陣的運(yùn)算方面耗費(fèi)一定的時(shí)間，當(dāng)數(shù)據(jù)量特別大時(shí)算法的時(shí)間效率是非常低的；再者，OCSVM缺少考慮數(shù)據(jù)的分布信息，構(gòu)建的分類超平面是不合理的，會(huì)對降噪效果產(chǎn)生一定的影

2、響。因此，在本論文中對于這兩個(gè)方面的問題我們展開了研究，其主要內(nèi)容如下：
　?。?）針對SVDD降噪算法需要多次迭代而耗費(fèi)時(shí)間這一問題，每一次迭代后的結(jié)果是樣本點(diǎn)不斷向分類邊界靠近，我們提出了一種改進(jìn)多次迭代過程的算法，將第一次降噪后的樣本和原始噪聲樣本相結(jié)合，利用數(shù)學(xué)方法和技巧推導(dǎo)出了最終降噪樣本的求解公式，并在模擬數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上對算法的可行性和時(shí)間效率進(jìn)行了分析和對比。不同于之前的SVDD模式降噪算法，改進(jìn)迭代后的算法在

3、達(dá)到近似降噪效果的情況下，有效提高了算法的時(shí)間效率；
　　（2）針對OCSVM算法缺少對數(shù)據(jù)分布信息的考慮而導(dǎo)致不合理超平面的建立這一問題，我們將在OCSVM中引入數(shù)據(jù)的分布信息。在高斯核的情況下，SVDD算法和OCSVM算法是等效的，我們提出了一種基于數(shù)據(jù)分布信息的OCSVM模式降噪算法。對比于SVDD模式降噪算法，改進(jìn)后的模式降噪算法充分考慮了樣本集在數(shù)據(jù)空間中的存在形式，從而在高維特征空間中找到的分類超平面更為合理。數(shù)據(jù)分布