计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2009年
17期
184-186
,共3页
花小朋%李先锋%皋军%田明
花小朋%李先鋒%皋軍%田明
화소붕%리선봉%고군%전명
支持向量数据描述%K均值%KKT条件
支持嚮量數據描述%K均值%KKT條件
지지향량수거묘술%K균치%KKT조건
针对基于K均值聚类的支持向量数据描述(SVDD)学习算法(KMSVDD)识别精度低于传统SVDD学习算法的问题,提出一种改进算法.将各聚类簇中支持向量合并学习生成中间模型,从支持向量以外的非支持向量数据中找出违背中间模型KKT条件的学习数据,并将这些数据与聚类簇中支持向量合并学习继而得到最终学习模型.实验结果证明,该改进算法的计算开销与KMSVDD相近,但识别精度却高于KMSVDD,与传统SVDD相近.
針對基于K均值聚類的支持嚮量數據描述(SVDD)學習算法(KMSVDD)識彆精度低于傳統SVDD學習算法的問題,提齣一種改進算法.將各聚類簇中支持嚮量閤併學習生成中間模型,從支持嚮量以外的非支持嚮量數據中找齣違揹中間模型KKT條件的學習數據,併將這些數據與聚類簇中支持嚮量閤併學習繼而得到最終學習模型.實驗結果證明,該改進算法的計算開銷與KMSVDD相近,但識彆精度卻高于KMSVDD,與傳統SVDD相近.
침대기우K균치취류적지지향량수거묘술(SVDD)학습산법(KMSVDD)식별정도저우전통SVDD학습산법적문제,제출일충개진산법.장각취류족중지지향량합병학습생성중간모형,종지지향량이외적비지지향량수거중조출위배중간모형KKT조건적학습수거,병장저사수거여취류족중지지향량합병학습계이득도최종학습모형.실험결과증명,해개진산법적계산개소여KMSVDD상근,단식별정도각고우KMSVDD,여전통SVDD상근.