異常檢測旨在準(zhǔn)確地區(qū)分目標(biāo)類（或正類）樣本與來自非目標(biāo)類（或負(fù)類）的異常樣本。通常假定只有目標(biāo)類的訓(xùn)練樣本是可獲得的,而缺少具有統(tǒng)計代表性的異常樣本（如故障診斷中,難以獲取機(jī)器在所有異常運(yùn)行狀態(tài)下的測量數(shù)據(jù)）。作為一種新的單類分類器,支持向量數(shù)據(jù)描述（Support Vector Data Description,SVDD）通過最小體積超球來模擬目標(biāo)數(shù)據(jù)的邊界。類似支持向量機(jī),該邊界只由少數(shù)訓(xùn)練樣本（即支持向量）決定;通過將一般的內(nèi)積用核函數(shù)取代,可以得到更靈活的數(shù)據(jù)描述。鑒于SVDD只模擬數(shù)據(jù)的邊界,其對目標(biāo)類的采樣質(zhì)量依賴較低。在目標(biāo)類密度分布未知的情況下,SVDD仍可準(zhǔn)確估計其在特征空間中的分布區(qū)域。盡管SVDD已廣泛應(yīng)用于異常檢測,然而傳統(tǒng)SVDD可能不能得到目標(biāo)描述的最優(yōu)解。其中一個主要問題即敏感于訓(xùn)練樣本中的奇異樣本;再則球形描述相對保守,尤其在應(yīng)用多項式核函數(shù)的情況下。以上問題均影響SVDD異常檢測的性能。核特征提取旨在去除數(shù)據(jù)中的高階相關(guān)性,以實(shí)現(xiàn)對復(fù)雜數(shù)據(jù)集的降維,并揭示數(shù)據(jù)中隱含的簡單結(jié)構(gòu)。作為核方法的另一成功應(yīng)用,核主分量分析（Kernel Principal C... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：138 頁

【學(xué)位級別】：博士

【部分圖文】：

最近鄰異常檢測分類器基于最近鄰的異常檢測方法簡單而有效，它的優(yōu)點(diǎn)在于：(1)最近鄰方法在本

圖 1.2 常規(guī)分類器與異常檢測分類器示例由此可見，基于支持向量數(shù)據(jù)描述的異常檢測方法可以解決一些新的分類 訓(xùn)練樣本對不同類的采樣嚴(yán)重不均衡或者完全缺少其中一類樣本。這樣情況常常出現(xiàn)在醫(yī)學(xué)應(yīng)用中，即來自正常、健康人群的樣本遠(yuǎn)多于來自

圖 1.4 二元高斯分布樣本的主分量關(guān)性的方法即非線性主分量分析，基于核方法42]即是 PCA 的一種非線性擴(kuò)展。使用核函數(shù)，原希爾伯特空間（reproducing kernel Hilbert space，征提取技術(shù)相比，kernel PCA 的優(yōu)點(diǎn)在于它只需


本文編號：3092576