一类分类问题的研究目标是设计目标类样本的覆盖函数,理想情况下使得目标类样本被接受,所有非目标类的样本被拒绝。经典SVDD覆盖模型寻找包含训练数据的最小半径超球对其进行覆盖,该模型对非规则复杂分布的数据描述存在较多的冗余区域...一类分类问题的研究目标是设计目标类样本的覆盖函数,理想情况下使得目标类样本被接受,所有非目标类的样本被拒绝。经典SVDD覆盖模型寻找包含训练数据的最小半径超球对其进行覆盖,该模型对非规则复杂分布的数据描述存在较多的冗余区域。本文提出一种基于训练集样本凸壳数据描述(Convex Hull Data Description,CHDD)的紧致覆盖模型。该模型无须参数设置,可实现对样本非规则复杂分布的自适应覆盖,并可通过利用核函数方法获得更强的非线性分类能力。当训练集包含噪声样本时,通过拒绝一定比例的目标类样本可获得更为鲁棒的凸壳边界描述。在UCI数据库、MNIST手写体数据库和MIT-CBCL人脸识别数据库上的实验结果表明了本文方法的有效性,相比现有一类分类算法,CHDD取得更好的分类效果。展开更多
文摘一类分类问题的研究目标是设计目标类样本的覆盖函数,理想情况下使得目标类样本被接受,所有非目标类的样本被拒绝。经典SVDD覆盖模型寻找包含训练数据的最小半径超球对其进行覆盖,该模型对非规则复杂分布的数据描述存在较多的冗余区域。本文提出一种基于训练集样本凸壳数据描述(Convex Hull Data Description,CHDD)的紧致覆盖模型。该模型无须参数设置,可实现对样本非规则复杂分布的自适应覆盖,并可通过利用核函数方法获得更强的非线性分类能力。当训练集包含噪声样本时,通过拒绝一定比例的目标类样本可获得更为鲁棒的凸壳边界描述。在UCI数据库、MNIST手写体数据库和MIT-CBCL人脸识别数据库上的实验结果表明了本文方法的有效性,相比现有一类分类算法,CHDD取得更好的分类效果。
