一類支持向量機集成.pdf

1、異常檢測在機器學習和模式識別領域可以看作是單類分類問題，單類分類器僅需使用正常數(shù)據(jù)進行訓練，但是可以將待測樣本分類為正常數(shù)據(jù)或異常數(shù)據(jù)。迄今為止，出現(xiàn)了很多單類分類器，其中最為常用的是一類支持向量機和支持向量數(shù)據(jù)描述。在為單類分類器選取參數(shù)時，一般是使用交叉驗證的方法，如果參數(shù)選擇的不合理，所得的單類分類器就不能對正常數(shù)據(jù)的分布很好地加以擬合，構(gòu)造出的分類邊界就不夠緊致。為了提高單個單類分類器的性能，可以將多個單類分類器按照一定的規(guī)則加

2、以集成，使最終得到的分類器更好地對正常數(shù)據(jù)的分布進行擬合，從而產(chǎn)生更加緊致的分類邊界。
　　AdaBoost方法是一種常用的分類器集成方法，而一類支持向量機是強分類器，用作AdaBoost集成方法的基分類器，集成效果不顯著。故此，我們將AdaBoost方法加以改進，使其適用于一類支持向量機。此外，還提出了一種支持向量數(shù)據(jù)描述選擇性集成的方法。該方法首先利用相交相關熵和自相關熵分別代替負相關學習中的訓練誤差和負相關項，建立相應的權重