局部分塊支持向量數(shù)據(jù)描述
通過對正常樣本學習獲得數(shù)據(jù)特征屬性的過程稱為異常檢測，屬于一類分類問題。在許多應用領域，如假幣識別、醫(yī)療診斷、機器故障診斷、生物發(fā)酵過程異常監(jiān)測、通信領域輻射源個體識別等。由于獲得異常數(shù)據(jù)的可能性小，且獲取過程需要花費大量的人力和物力，故異常檢測在近幾十年里得到了廣泛關注。一種是利用超球面實現(xiàn)異常檢測，如支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）和小球體大間隔（Small Sphere and Large Margin，SSLM），它們可以捕捉數(shù)據(jù)的全局結構但不能用于多分布的數(shù)據(jù)集。為此，Xiao等提出多球支持向量數(shù)據(jù)描述（Multi-Sphere SVDD．MS-SVDD），不但捕捉數(shù)據(jù)的全局結構，也能應用于含多個不同分布的數(shù)據(jù)中。另外一種是利用超平面將正常樣本與異常樣本分離開，如一類支持向量機（ One-Class SVM，OCSVM），而為了適應大樣本學習，Tsang等利用L2范數(shù)改進了OCSVM，提出一類12支持向量機（One-Class L2-SVM，OCSVML2）。但是，像其他統(tǒng)計學習方法一樣，SVDD．SSLM、MS-SVDD、OCSVM和OCSVML2、Kemel PCA（ Kemel Principal Component Analysis）在建模學習時，僅考慮到數(shù)據(jù)的全局幾何結構，而忽略了數(shù)據(jù)的局部幾何結構，導致隱藏在局部結構中的信息丟失。近年來，局部加權方法已成功應用于多種統(tǒng)計學習方法中，應用表明局部加權方法可以有效捕捉數(shù)據(jù)的局部結構。為此，本文將局部加權引入到一類SVDD中，并通過局部分塊和局部樣本數(shù)據(jù)重構，提出局部分塊的一類SVDD（ One-Class SVDD based on Local Patch．OCSVDDcp）異常檢測方法。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
局部分塊支持向量數(shù)據(jù)描述下載
相關電子資料下載
- 大模型卷價格，向量數(shù)據(jù)庫“卷”什么？ 1556
- 開源芯片系列講座第20期：基于RISC-V向量擴展的開源GPGPU軟硬件設計 140
- 如何利用一些小技巧實現(xiàn)SVM的增量式訓練 321
- 深度解析機器學習各大模型原理 1144
- 泛林集團宣布推出全球首款面向量產(chǎn)的脈沖激光沉積（PLD）機臺 715
- 搭載英偉達GPU，全球領先的向量數(shù)據(jù)庫公司Zilliz發(fā)布Milvus2.4向量數(shù)據(jù)庫 285
- 飛騰信息技術有限公司：復數(shù)向量卷積處理技術及設備 183
- Zilliz攜手大模型生態(tài)企業(yè)玩轉(zhuǎn)GDC 2024，向量數(shù)據(jù)庫和RAG成行業(yè)焦點 214
- 與NVIDIA深度參與GTC，向量數(shù)據(jù)庫大廠Zilliz與全球頂尖開發(fā)者共迎AI變革時刻 215
- 基于計算機視覺與機器學習技術的跌倒風險預測 227