基于特征贡献度加权高斯核函数的粗糙one-class支持向量机

摘要：

粗糙one-class支持向量机(ROCSVM)是一种一类支持向量机,它通过核函数映射,定义上近似超平面和下近似超平面,使得训练样本能根据在粗糙间隔中的位置,自适应地对决策超平面产生影响.由于ROCSVM训练集只有正类样本,因此充分挖掘和利用训练样本的分类特征对于提高ROCSVM的分类性能有重要意义.为此,提出了一种基于训练样本分类特征贡献度的加权高斯核函数(λRBF):先对训练样本做主成分分析(PCA)得到按特征值排序的向量集,以此向量集构造核函数,使得特征值较大的维度在核函数中起较大的作用.在UCI标准数据集和仿真数据上的实验结果表明:与一般RBF的ROCSVM相比,基于λ-RBF的ROCSVM有着更好的泛化性和更高的识别率.

关键词：粗糙集、一类支持向量机、加权核函数、主成分分析、超平面、过拟合

所属期刊栏目：42

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏省产学研项目BY2013015-40

在线出版日期：2015-07-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：239-242,246