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  2014, Vol. 27 Issue (2): 160-165    DOI:
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
密度惩罚支持向量数据描述*
张莉1,2,张海飞1,周伟达3,林颖2,李凡长1
1.苏州大学 计算机科学与技术学院 苏州 215006
2.西安电子科技大学 智能信息处理研究所 西安 710071
3.苏州思必驰信息科技有限公司 苏州 215123
Density-Punished Support Vector Data Description
ZHANG Li1.2, ZHANG Hai-Fei1, ZHOU Wei-Da3, LIN Ying2, LI Fan-Zhang1
1.School of Computer Science and Technology, Soochow University, Suzhou 215006
2.Institute of Intelligence Information Processing, Xidian University, Xi'an 710071
3.AI Speech Ltd., Suzhou 215123

全文: PDF (407 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 基于相对密度概念,文中提出一种密度惩罚的支持向量数据描述方法。该方法把相对密度和对样本的误分惩罚关联起来。如果样本的相对密度较大,则其是目标样本的可能性较大,因此需加大其误分的惩罚力度。同理相对密度小的样本,有可能是位于边界上的点或噪声点,相应的误分惩罚应减小。在UCI数据集上的实验结果表明,文中方法比标准支持向量数据描述及密度诱导的支持向量数据描述都有更好的描述性能。
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
张莉
张海飞
周伟达
林颖
李凡长
关键词 支持向量数据描述相对密度核方法    
Abstract:Based on the concept of relative density degrees, a density-punished support vector data description method is presented. The relative density degrees are associated with punishing misclassifications. If the relative density degree of the sample is large, it is likely to be a target sample. Thus, a large penalty should be put on its misclassification. Similarly, if the relative densitydegree of the sample is small, it might be a boundary or noise point so that the corresponding penalty for its misclassification should be small as well. The experimental results on UCI datasets show that the proposed method has better performance compared with support vector data description and density-induced support vector data description.
Key wordsSupport Vector Data Description    Relative Density Degree    Kernel Method   
收稿日期: 2013-05-13     
ZTFLH: TP 181  
基金资助:国家自然科学基金项目(No.61373093,61033013)、江苏省自然科学基金项目(No.BK2011284,BK201222725)、江苏省高校自然科学基金项目(No.13KJA520001)、江苏省青蓝工程项目资助
作者简介: 张莉(通讯作者),女,1975年生,博士,教授,主要研究方向为机器学习、模式识别.E-mail:zhangliml@suda.edu.cn.张海飞,男,1989年生,硕士研究生,主要研究方向为机器学习、模式识别.周伟达,男,1974年生,博士,副教授,主要研究方向为机器学习.林颖,女,1983年生,硕士,主要研究方向为机器学习、模式识别.李凡长,男,1964年生,硕士,教授,主要研究方向为李群机器学习、动态模糊理论.
引用本文:   
张莉,张海飞,周伟达,林颖,李凡长. 密度惩罚支持向量数据描述*[J]. 模式识别与人工智能, 2014, 27(2): 160-165. ZHANG Li, ZHANG Hai-Fei, ZHOU Wei-Da, LIN Ying, LI Fan-Zhang. Density-Punished Support Vector Data Description. , 2014, 27(2): 160-165.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2014/V27/I2/160
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