基于SVDD的支持向量搜索的研究與應(yīng)用.pdf

1、支持向量機(jī)(Support Vector Machine,SVM)是由Vapnik等人于上世紀(jì)90年代提出的一種機(jī)器學(xué)習(xí)算法,其以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ),SVM最突出的特點(diǎn)是:當(dāng)數(shù)據(jù)樣本的數(shù)目有限的時候,其訓(xùn)練也能夠得到最優(yōu)結(jié)果。并且,其最小化實(shí)際風(fēng)險是通過結(jié)構(gòu)風(fēng)險最小化來實(shí)現(xiàn)的。SVM有較好的泛化能力,另外,SVM也克服了在以往的機(jī)器學(xué)習(xí)的算法中容易出現(xiàn)局部最優(yōu)解的問題。正因?yàn)檫@些優(yōu)點(diǎn),SVM才成為了在實(shí)際環(huán)境中被廣泛使用的機(jī)器學(xué)習(xí)算法。

2、
　　 支持向量數(shù)據(jù)描述(Support Vector Data Description,SVDD)由Tax等人在上世紀(jì)末提出,其更多地關(guān)注數(shù)據(jù)集的分布特征,一個好的數(shù)據(jù)域描述應(yīng)該包含所有的目標(biāo)數(shù)據(jù)點(diǎn)并且不包含多余的空間,數(shù)據(jù)域的邊界能夠用于檢測正常數(shù)據(jù)和異常數(shù)據(jù)。SVDD是受支持向量分類器(Support Vector Classifier SVC)的啟發(fā)而產(chǎn)生的。最近,以SVDD為基礎(chǔ)的多類分類問題的研究也受到了廣大學(xué)者的關(guān)