文档介绍：杭州电子科技大学硕士学位论文基于支持向量数据描述的分类算法研究研究生:梁东升指导教师: 方景龙研究员 Supervisor: Jinglong January,201 1 杭州电子科技大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独立进行研究工作所取得的成果。除文中已经注明引用的内容外,本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。申请学位论文与资料若有不实之处,本人承担一切相关责任。论文作者签名:骡轴日期:‘加ff年3月≥≥日学位论文使用授权说明本人完全了解杭州电子科技大学关于保留和使用学位论文的规定,即:研究生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证毕业离校后,发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大学。学校有权保留送交论文的复印件, 允许查阅和借阅论文;学校可以公布论文的全部或部分内容,可以允许采用影印、缩印或其它复制手段保存论文。(保密论文在解密后遵守此规定) 论文作者签名:墚东白日期:Ⅻl|年)月移日指导教师签名: 日期:枷If年≥月巧日/ 杭州电子科技大学硕士学位论文摘要基于统计学习理论而产生的新方法一支持向量机(Support Vector Machines, SVMs),它较好地解决了学习方法中的小样本、过学习、非线性、高维数、局部极小等问题,具有很强的推广能力,是目前机器学习和模式研究领域的热点之一。从支持向量机及最小包围球理论发展起来的支持向量数据描述(Support Vector DataDescription,SVDD)越来越受到研究者的重视,相比于支持向量机,支持向量数据描述有着复杂性低、易移植、训练速度快等优点,在奇异值检测、人脸识别领域等有着广泛的应用,同时,SVDD正已成为解决不平衡数据分类和多示例分类中的一种新方法。但是,尽管SVDD方法具有以上优点,在实际应用中仍不同程度的存在一些缺陷,例如:进行二类分类时推广能力偏弱等。本文针对SVDD模型进行研究和改进,进行了如下方面的工作: (1) 回顾了统计学习理论研究的基本问题,从最大间隔法引出线性支持向量机, 研究了非线性分类中的支持向量机方法、核函数以及常用求解方法一序列最小最优化算法等。(2)研究了支持向量机及最小包围球理论基础上发展起来的支持向量数据描述方法,包括硬间隔、软间隔及带负类样本的SVDD方法。对于软间隔SVDD 方法,我们分析了其存在的一个惩罚参数设置的问题,其次给出了带负类样本SVDD方法的工作集选取、停机条件推导及基于SMO方法求解等问题。(3) 提出的一种新方法:基于最大球心距的SVDD分类器。其主要思想是将两类样本分别约束在两个超球之内,并最小化超球半径和最大化两类超球的球心距离。基于最大球心距的SVDD方法中首次引入了一个控制分离间隔与超球半径之比的常数K,并分析了K的取值对超球分类的影响。在最后的实验中,人工数据和真实数据均表明,我们的方法都有较好的性能。(3)回顾了结合SVM最大分类间隔及SVDD最小包围球思想的超球分类算法(pattern classification viasinglespheres,SSPC),并在此基础上给出我们另一种新方法一二阶环形间隔分类器。针对不平衡数据分类导致分界面偏移的问题,我们同时还给出了两种针对不平衡数据分类的环形分类算法。真实数据实验表明,在对不平平衡数据分类的问题上,我们的算法有较高几何分类精度。杭州电子科技大学硕士学位论文关键字:支持向量机,支持向量数据描述,超球分类,环形分类器