改进的基于K均值聚类的SVDD学习算法
Updated Learning Algorithm of Support Vector Data Description Based on K-Means Clustering作者机构：盐城工学院信息工程学院盐城224001
出 版 物：《计算机工程》 (Computer Engineering)
年 卷 期：2009年第35卷第17期
页 面：184-186页
核心收录：
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
基 金：盐城工学院重点学科建设基金资助项目(XKY2007065)
摘 要：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。
维普期刊数据库
同方期刊数据库