異常檢測問題是現(xiàn)實生活中一類迫切需要解決的問題,其已成為機器學(xué)習(xí)、深度學(xué)習(xí)領(lǐng)域的研究熱點。異常檢測實質(zhì)是一種類別極不平衡的單類分類問題,目前,關(guān)于單類分類方法的研究已呈現(xiàn)出百家爭鳴的現(xiàn)象,其中,廣受學(xué)者青睞的是基于支持向量的方法——一類支持向量機(one-class support vector machine,OCSVM)和支持向量數(shù)據(jù)描述(support vector data description,SVDD)。該方法主要通過對目標(biāo)類數(shù)據(jù)學(xué)習(xí),構(gòu)造一個最優(yōu)的圍繞目標(biāo)類的邊界,達到以高精度識別異常數(shù)據(jù)的目的。隨著該類方法的廣泛應(yīng)用,傳統(tǒng)的一類支持向量機算法的弊端逐漸顯露。一是算法中使用的核函數(shù)及其核參數(shù)難以確定,且未有一個通用的確定方法,但是算法的性能很大程度上取決于所使用的核函數(shù)及其參數(shù),因此一類支持向量機中核函數(shù)及其參數(shù)的選擇是該算法的一個核心問題。二是算法對于訓(xùn)練集中的離群點或者噪音相當(dāng)敏感,魯棒性差�；谏鲜鰡栴},本文圍繞一類支持向量機算法展開研究,主要工作及取得的成果如下:1.將多核學(xué)習(xí)與一類支持向量機相結(jié)合,提出了基于核對齊的多核一類支持向量機。該方法將傳統(tǒng)模型中的單核函數(shù)替換為多核函數(shù),并以優(yōu)化核對齊模型的方法計算出各基本核的權(quán)重,進而構(gòu)造所需的線性加權(quán)合成核,避免選擇最優(yōu)的核函數(shù)及其參數(shù)這一難題。仿真實驗結(jié)果表明,該方法的分類表現(xiàn)優(yōu)于傳統(tǒng)交叉驗證選參的方法,并且訓(xùn)練效率明顯提高。2.將模糊隸屬度引入到多核一類支持向量機中,提出了基于核對齊的模糊多核一類支持向量機。該方法利用訓(xùn)練集中樣本的類別確定性不同,為每個樣本賦予一個模糊隸屬度,降低噪音或離群點對分類邊界產(chǎn)生的負面影響;同時使用基于核對齊的多核模型替代單核。在人工數(shù)據(jù)集和標(biāo)準(zhǔn)數(shù)據(jù)集上與其他兩種算法進行了實驗比較,結(jié)果表明所提方法具有抗噪性,提高了一類支持向量機的魯棒性,并且計算效率高。3.基于數(shù)據(jù)的局部密度,提出了一種新的樣本隸屬度計算方法。該方法利用核函數(shù)衡量樣本間的局部相似性大小,并確定樣本的局部密度信息,然后依據(jù)局部密度賦予樣本不同的隸屬度。與其他隸屬度方法相比,在基于局部密度的隸屬度的計算過程中,僅需使用目標(biāo)數(shù)據(jù),這與一類支持向量機的訓(xùn)練集一致。將該隸屬度計算方法與模糊多核一類支持向量機模型結(jié)合,并在標(biāo)準(zhǔn)數(shù)據(jù)集上進行了仿真實驗,與多核一類支持向量機、加權(quán)多核一類支持向量機、基于核對齊的模糊多核一類支持向量機相比,該方法具有更優(yōu)的抗噪能力。
【學(xué)位單位】：北京建筑大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP181
【部分圖文】：

1 Hepatitis 69.33±5.01 69.62±4.02 41.61±0.03 5.86±0.02 2 Cancer 94.94±1.32 95.20±1.23 136.74±0.02 29.51±0.02 3 Heart 72.96±3.57 71.62±2.78 75.20±0.02 6.64±0.02 4 Wdbc 90.47±1.78 88.60±1.50 188.30±0.01 17.38±0.02 5 Glass 91.98±3.79 91.22±1.71 15.58±0.01 2.55±0.01 6 Parkinsons 67.70±2.04 68.03±2.40 46.22±0.01 6.11±0.01 7 Wholesale Customers 83.58±3.04 85.19±1.61 27.16±0.01 5.88±0.01 8 Horse 63.69±1.83 64.38±2.95 148.97±0.01 9.73±0.02

第4章模糊多核一類支持向量機316Vowel(1)1248.7036.0641.447Waveform468.6414.9120.848Creditcard_cut1025.0038.5147.199Hepatitis56.827.416.1010Imports27.304.204.7611Iono189.8010.5310.1412Vowel(2)31.323.574.5813Wine18.431.311.4414Biomed34.955.436.1615Breast152.0132.8633.2416Park2615.2043.6550.31圖4-4算法的平均訓(xùn)練時間對比Fig.4-4Comparisonofaveragetrainingtime從表4-3幾何均值的實驗結(jié)果來看，本章提出的基于核對齊的模糊多核支持向量機具有最佳的分類表現(xiàn)。對于16個實驗數(shù)據(jù)集，F(xiàn)MKOCSVM算法在其中13個數(shù)據(jù)集上獲得最高的幾何均值。在某些數(shù)據(jù)集上，F(xiàn)MKOCSVM算法的優(yōu)勢更加明顯，例如：在Australia、Glass、Japan、Vowel(1)、Creditcard_cut數(shù)據(jù)集上，F(xiàn)MKOCSVM算法的結(jié)果比OCSVM要高11%~27%，其他數(shù)據(jù)上的分類性能也有近4%左右的提高。FMKOCSVM算法與MKOCSVM算法相比，在Australia、Japan、Vowel(1)、Creditcard_cut、Breast、Park數(shù)據(jù)集上的幾何均值結(jié)果提高了9%~21%左右，另外，在其他3個數(shù)據(jù)集

第4章模糊多核一類支持向量機40表4-10訓(xùn)練時間對比Table4-10Comparisonoftrainingtime編號數(shù)據(jù)集訓(xùn)練時間(平均值(秒))MKOCSVMWMKOCSVMFMKOCSVMFMKOCSVM_D1Australia20.6048.6522.6728.222Balancescaleleft13.1330.3016.8519.343Biomed5.4312.756.167.684Glass1.525.313.172.925Heart7.7517.877.969.646Vowel3.575.114.582.957Wine1.314.891.443.218Creditcard_cut38.5175.9347.1954.969Japan18.8144.1820.3024.4210Iris1.224.221.701.8811Breast32.8651.2733.2447.5812Wdbc18.7145.8923.8628.2613Pima38.4968.9451.4257.0814Waveform14.9137.2020.8421.97圖4-814個數(shù)據(jù)集上的總訓(xùn)練時間Fig.4-8Thetotaltrainingtimeof14datasets
【參考文獻】

相關(guān)期刊論文 前5條

1 丁世飛;齊丙娟;譚紅艷;;支持向量機理論與算法研究綜述[J];電子科技大學(xué)學(xué)報;2011年01期

2 汪洪橋;孫富春;蔡艷寧;陳寧;丁林閣;;多核學(xué)習(xí)方法[J];自動化學(xué)報;2010年08期

3 郭虎升;亓慧;王文劍;;處理非平衡數(shù)據(jù)的粒度SVM學(xué)習(xí)算法[J];計算機工程;2010年02期

4 潘志松;陳斌;繆志敏;倪桂強;;One-Class分類器研究[J];電子學(xué)報;2009年11期

5 潘志松;倪桂強;譚琳;胡谷雨;;異常檢測中單類分類算法和免疫框架設(shè)計[J];南京理工大學(xué)學(xué)報(自然科學(xué)版);2006年01期

相關(guān)碩士學(xué)位論文 前3條

1 潘麗平;模糊粗糙集模型及其數(shù)據(jù)挖掘方法研究[D];中國民航大學(xué);2017年

2 張健;剪枝和網(wǎng)格采樣相結(jié)合的非平衡數(shù)據(jù)集分類方法[D];安徽大學(xué);2012年

3 朱靖;基于粗糙集和模糊集理論的屬性約簡算法研究[D];湖南大學(xué);2008年

本文編號：2870877