基于相对密度的支持向量数据描述算法研究

《基于相对密度的支持向量数据描述算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士专业学位论文论文题目基于相对密度的支持向量数据描述算法研究研究生姓名张海飞指导教师姓名张莉专业名称计算机技术研究方向机器学习与模式识别论文提交日期2014年4月苏州大学学位论文独创性声明本人郑重声明：所提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，本论文不含其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律责任。研究生签名：日期：学位论文使用授权声明本人完全了解苏州大学关于收集、

2、保存和使用学位论文的规定，即：学位论文著作权归属苏州大学。本学位论文电子文档的内容和纸质论文的内容相一致。苏州大学有权向国家图书馆、中国社科院文献信息情报中心、中国科学技术信息研究所（含万方数据电子出版社）、中国学术期刊（光盘版）电子杂志社送交本学位论文的复印件和电子文档，允许论文被查阅和借阅，可以采用影印、缩印或其他复制手段保存和汇编学位论文，可以将学位论文的全部或部分内容编入有关数据库进行检索。涉密论文□本学位论文属在年月解密后适用本规定。非涉密论文□论文作者签名：日期：导师签名：日期：基于相对密度的支持向量数据描述算法研究中文摘要基于相对密度的支持向量数据描

3、述算法研究中文摘要异常检测问题普遍存在于现代医学研究、新型农业研究以及机械工程安全中。支持向量数据描述(SupportVectorDataDescription，SVDD)算法是一种异常检测方法，该方法需要建立一个球体去尽可能多地包含所有已知的正常样本。在处理异常检测问题中，根据数据的特性可分为两种情况：一种情况是只包含正常样本；另一种情况是除了正常的样本，还包含小数量级的异常样本。Lee等人在SVDD算法中引入了样本相对密度的概念，改善了SVDD算法的性能。本文在样本相对密度算法和SVDD算法基础上做了如下进一步的研究：(1)在密度诱导支持向量数据描述(Dens

4、ity-inducedSupportVectorDataDescription，D-SVDD)算法基础上，文中详细考虑了参数T的取值对算法模型分类性能和算法稳定性的影响，并给出了参数T的取值区间。(2)将异常样本信息加入到密度惩罚支持向量数据描述(Density-PunishedSupportVectorDataDescripetion，DP-SVDD)算法的训练过程中，使得新算法能处理带有异常样本的情形，从而，能够获得更高的稳定性和识别精度。(3)在ODP-SVDD算法的基础上，引进模糊隶属度函数，减弱了有噪正常样本对模型性能的影响，有效地提高了算法的性能。关键

5、字：异常检测；SVDD；相对密度；模糊理论作者：张海飞导师：张莉IAbstractResearchonsupportvectordatadescriptionbasedonrelativedensitydegreeResearchonsupportvectordatadescriptionbasedonrelativedensitydegreeAbstractNoveltydetectionisacommonproblemwhichexistsinmodernmedicalresearch,newagriculturalresearchandengineering

6、security.Supportvectordatadescription(SVDD)isamethodfornoveltydetection.SVDDtriestoestablishahypersphereandincludealltheknownnormalsamples.Aboutdetectionproblems,therearetwokindsofdataorthedatawithonlynormalsamplesandthedatawithbothnormalandabnormalsamples.Notethatthenumberofabnormals

7、amplesisverysmallevenifthedatacontainsabnormalsamples.Leeetal.introducedtheconceptoftherelativedensitydegreeofsamples,whichcanimprovethetraditionalSVDDalgorithm.BasedontherelativedensitydegreeandSVDD,thisthesishasthefollowingcontributions.(1)BasedontheDensity-inducedSupportVectorDataD

8、escri