基于推广能力测度的多类svdd模式识别方法 multi-class support vector domain description for pattern recognition based on a measure of expansibility.pdfVIP

下载本文档

2
0
约1.56万字
约 6页
2017-08-14 发布于上海
举报
版权申诉

基于推广能力测度的多类svdd模式识别方法 multi-class support vector domain description for pattern recognition based on a measure of expansibility.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于推广能力测度的多类svdd模式识别方法 multi-class support vector domain description for pattern recognition based on a measure of expansibility

第3期电子学报 vd．37№．3 2009年3月 A朗’A眦cm0N10～SINICA MⅡ．2009 基于推广能力测度的多类SVDD模式识别方法朱孝开，杨德贵 (国防科学技术大学电子科学与工程学院空间电子信息技术研究所，湖南长沙41町73) Vector 摘要：经典的基于距离测度的sVDD(supponD叫lain嘶侧∞)方法在解决两类(多类)识别问题时具有误判率较高、识别率低于普通二类sVC分类器等缺点．本文在分析其原因的基础上，提出了一种更能反映样本与类别本质关系的推广能力测度，并由此提出了具有多层结构的多类SVDD模式识别方法．对实测雷达一维距离像数据的测试表明，该方法在保留了经典吖DD识别器算法复杂程度低、扩充性强、对训练样本数据规模上要求低等优点的同时，有效地降低了误判率，识别率已接近甚至达到二类svc的水平．关键词：模式识别；SⅥ)D；多层结构；多分类算法中图分类号：仰391．4 文献标识码： A 文章编号： 037二2112(2009)∞．o‘l眸06 M DomainDeSc for uIti—Cl弱s VeCtor P甜em SuppOrt r-ption BasedOnaMeasureof FlE≥cOgnitiOn ExpansibiIity zHUⅪ静l【ai，YANGDe—gui 410073，‰) (忍僦而龇矿跏∞日鲥瑚l妇删钿晌％由蝴，凸慷矿目啪电＆切”n，ld勋驴l嘶，朋咒玎，a|彻g妇，抽mm di嘲nce Ab吼rad：‘：Ias菇cSVlHd越两丘e稻，wtlichllse nBa剐Ⅲes，have l删m翰嘣is d鹳础ie璐．A胁锄曲面ng吐le∞us髓，a pf哪憾ed，懒锄糟pf删nle勰鹤删almlali0嘶bc栅，湖s心 nmm·l蚋试S咖is m％，a pf0110sed．Thea甲叮矗n瓤∞real AI髂and∞地g(—骼．A11d 0ft吣cla鹤SVMc蛐郴．捌ef!Foctive重v，僳isin口eased洲t0恤lcvcl KeywDrcIs：pa搬nm00窭面向；sⅥ)J)；mIll昏level锄cbi抚：cn北；mlll6一cla璐d嬲siIica6∞ l 引言 2支撑向量域描述舳 1999年，DavidM．J．k在SvM理论uJ的基础上提 2．1舢基本理论出了一种数据描述算法——支撑向量域描述(supp嘣 vector D0眦IiIl嘲砸∞，sⅧD)【2J，其主要思想是通过 RBF核函数时，与T舣提出的可以互相转换[2|．计算包含一组数据的最小超球形边界来对该组数据进设茗l，z2，…，物是某一集合x中的样本点，x是∥ 行描述．sⅥ)D与文[3]提出的高维空间复杂几何形体覆的紧子集．西：x一日为核函数对应的映射，将训练样本盖神经网络一样，可以应用于模式识别领域．目前，已被