10.3969/j.issn.1001-2400.2015.02.010
使用聚类稳定性分析方法增强单类学习算法
针对传统单类学习模型对多模态或多密度分布数据描述能力不足的问题,将集成聚类和聚类稳定性分析引入单类学习.首先将确定聚类簇个数与确定聚类簇分布统一到同一个增强单类学习框架中,之后各聚类簇互为正负类分别建起立多个单类分类模型,最后采用最大融合体积方法融合其决策边界.以经典的支持向量数据描述(SVDD)为例,设计了基于集成聚类的稳定支持向量数据描述算法———ECS-SVDD.在标准 UCI数据集和一个真实恶意程序行为数据集上的实验结果表明,ECS-SVDD的性能较单个支持向量数据描述及同类单类学习方法更优.该方法可直接推广到其他最小包含体积集合类型的单类学习算法上,以增强单类学习算法处理多模态和多密度分布数据的能力.
单类学习、离群点分析、聚类分析、聚类稳定性、支持向量数据描述
TP181(自动化基础理论)
国家自然科学基金资助项目61472302,61272280,41271447,61272195;教育部新世纪优秀人才支持计划资助项目NCET-12-0919;中央高校基本科研业务费专项资金资助项目K5051203020,K5051303016,K5051303018,BDY081422,K50513100006;陕西省自然科学基金资助项目2014JM8310;西安市科技局资助项目CXY13416;CXY14401
2015-04-27（万方平台首次上网日期，不代表论文的发表时间）
共8页
58-64,121
