模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2009, Vol. 22 Issue (4): 548-553    DOI:
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
流形嵌入的支持向量数据描述*
陈斌1,2,李斌2,潘志松3,陈松灿1
1.南京航空航天大学 信息科学与技术学院 南京 210016
2.扬州大学 信息工程学院 扬州 225009
3.解放军理工大学 指挥自动化学院 南京 210007
Support Vector Data Description with Manifold Embedding
CHEN Bin1,2, LI Bin2, PAN Zhi-Song3, CHEN Song-Can1
1.College of Information Science and Technology, Nanjing University of Aeronautics & Astronautics, Nanjing 210016
2.College of Information Engineering, Yangzhou University, Yangzhou 225009
3.Institute of Command Automation, PLA University of Science and Technology, Nanjing 210007

全文: PDF (506 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 测地距离能在宏观层面上较真实地反映数据中所隐含的几何结构,可基于它的支持向量数据描述(SVDD)无法直接优化.为此,文中提出一种流形分类学习算法的设计框架.用原空间测地距离近似各向同性的特征映射(ISOMAP)降维空间上的欧氏距离,即在隐含ISOMAP降维后空间上执行原学习算法.按照该框架,以SVDD为例发展出嵌入的ISOMAP发现的低维流形的SVDD (mSVDD),从而解决基于测地距离的SVDD的优化问题.USPS手写体数字数据集上的实验表明,mSVDD的单类性能较SVDD有较显著提高.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
陈斌
李斌
潘志松
陈松灿
关键词 流形嵌入测地距离各向同性的特征映射(ISOMAP)支持向量数据描述(SVDD)单类分类    
Abstract:Geodesic distance is a good metric to approximate the underlying global geometry. However, support vector data description (SVDD) with geodesic distance cannot be directly optimized. A framework for manifold-based classifier is designed. The Euclid distance in the feature space induced by isometric feature mapping (ISOMAP) dimension reduction is approximated by the geodesic distance in the input space, and implicitly conducts the former learning algorithm (with Euclid distance) after the ISOMAP process. Next, the proposed method is extended to SVDD and a SVDD derivate with ISOMAP manifold embedding (mSVDD) is developed. Experimental results on USPS handwritten digital dataset show that compared with traditional Euclid distance based SVDD, mSVDD significantly increases the performance for one-class classification.
Key wordsManifold Embedding    Geodesic Distance    Isometric Feature Mapping (ISOMAP)    Support Vector Data Description (SVDD)    One-Class Classification   
收稿日期: 2008-04-29     
ZTFLH: TP181  
基金资助:国家自然科学基金(No.60773061,60603029)、江苏省自然科学基金(No.BK2007074)和江苏省高校自然科学基金(No.06KJB520132)资助项目
作者简介: 陈斌,男,1974年生,博士研究生,主要研究方向为模式识别、数据分析.E-mail: b.chen@nuaa.edu.cn,chb@yzu.edu.cn.李斌,男,1965年生,教授,主要研究方向为软件理论与工程、软件故障诊断.潘志松,男,1973年生,博士,副教授,主要研究方向为模式识别、神经网络和网络安全.陈松灿,男,1962年生,教授,博士生导师,主要研究方向为人工智能、神经网络、模式识别.
引用本文:   
陈斌,李斌,潘志松,陈松灿. 流形嵌入的支持向量数据描述*[J]. 模式识别与人工智能, 2009, 22(4): 548-553. CHEN Bin, LI Bin, PAN Zhi-Song, CHEN Song-Can. Support Vector Data Description with Manifold Embedding. , 2009, 22(4): 548-553.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2009/V22/I4/548
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn