基于高维空间稀疏最小生成树自适应覆盖模型的一类分类算法木.pdf

第24卷 第3期 模式识别与人工智能 Vo1．24 No．3 2011年6月 PR AI June 201l 基于高维空间稀疏最小生成树 自适应覆盖模型的一类分类算法木 胡正平 路 亮 许成谦 (燕山大学 信息科学与工程学院秦皇岛 066004) 摘 要 最小生成树数据描述 (MSTCD)在刻画高维空间样本点分布时 ，将所有图形的边作为新增虚拟样本以提供 目标类样本分布描述，这种描述存在分支多、覆盖模型复杂的问题．针对该问题，依据特征空间中同类样本分布的 连续性规律，文中提出基于稀疏最小生成树覆盖模型的一类分类算法．该方法首先构建 目标类数据集的稀疏 k近 邻图表示，通过递归图分割算法发现数据分布的微聚类，再以微聚类的中心为图节点构建 目标类的稀疏最小生成 树覆盖模型．实验结果表明，文中方法与MSTCD和其它一类分类器相比有较优的描述性能和较低的模型复杂度． 关键词 一类分类器，高维空间，最小生成树 (MST)，稀疏最小生成树 中图法分类号 TP391．4 One·ClassClassificationAlgorithm BasedonSparseM inimum SpanningTreeAdaptiveCoveringModel inHigh-DimensionalSpace HUZheng—Ping，LULiang，XUCheng-Qian (SchoolofInformationScienceandEngineering，YanshanUniversity，Qinhuangdao066004) ABSTRACT Minimum spanningtreeclassdescriptor(MSTCD)describesthetargetclasswiththeassumption thatalltheedgesofthegrapharebasicelementsoftheclassifier，whichoffersadditionalvirtualtraining dataforadescriptionofsampledistributioninhigh-dimensionalspace．However，thisdescriptivemodel hastoomanybranches，whichresultsinthemodelbeingmorecomplicated．Accordingtothecontinuity law ofthefeaturespaceofsimilarsamples，aone-classclassificationalgorithm basedonsparseminimum spanningtreecoveringmodelispresented．Themethodfirstlyconstructssprase 一nearest—neighborgraph representationforthetargetclass．Then，arecursivegraphbipartitionalgorithm isintroducedtofindthe micro—cluster．Finally，itbuildssparseminimum spanningtreeonthegraphnodeswhich arecentersof micro—cluster．Experimentalresultsshow thatthepresentedalgorithm performsbetterthanMSTCD and ntherOne．classclassifiers． 中国博士后 自然科学基金 (No．20080440124，200902356)，河北省 自然科学基金 (No．F2010001297，F20080