基于相对密度的支持向量数据描述算法研究-计算机技术专业论文.docxVIP

学位论文使用授权声明 本人完全了解苏州大学关于收集、保存和使用学位论文的规定，即：学位论文著 作权归属苏州大学。本学位论文电子文档的内容和纸质论文的内容相一致。苏州大学 有权向国家图书馆、中国社科院文献信息情报中心、中国科学技术信息研究所（含万 方数据电子出版社）、中国学术期刊（光盘版）电子杂志社送交本学位论文的复印件 和电子文档，允许论文被查阅和借阅，可以采用影印、缩印或其他复制手段保存和汇 编学位论文，可以将学位论文的全部或部分内容编入有关数据库进行检索。 涉密论文□ 本学位论文属 在 年 月解密后适用本规定。 非涉密论文□ 论文作者签名： 日 期： 导 师 签 名： 日 期： I I 基于相对密度的支持向量数据描述算法研究 中文摘要 基于相对密度的支持向量数据描述算法研究 中文摘要 异常检测问题普遍存在于现代医学研究、新型农业研究以及机械工程安全中。支 持向量数据描述(Support Vector Data Description，SVDD)算法是一种异常检测方法， 该方法需要建立一个球体去尽可能多地包含所有已知的正常样本。在处理异常检测问 题中，根据数据的特性可分为两种情况：一种情况是只包含正常样本；另一种情况是 除了正常的样本，还包含小数量级的异常样本。Lee 等人在 SVDD 算法中引入了样本 相对密度的概念，改善了 SVDD 算法的性能。本文在样本相对密度算法和 SVDD 算 法基础上做了如下进一步的研究： 在 密 度 诱 导 支 持 向 量 数 据 描 述 (Density-induced Support Vector Data Description，D-SVDD) 算法基础上，文中详细考虑了参数 T 的取值对算法模型分类 性能和算法稳定性的影响，并给出了参数T 的取值区间。 将异常样本信息加入到密度惩罚支持向量数据描述(Density-Punished Support Vector Data Descripetion，DP-SVDD)算法的训练过程中，使得新算法能处理带有异常 样本的情形，从而，能够获得更高的稳定性和识别精度。 (3) 在 ODP-SVDD 算法的基础上，引进模糊隶属度函数，减弱了有噪正常样本对 模型性能的影响，有效地提高了算法的性能。 关键字：异常检测；SVDD；相对密度；模糊理论 作者：张海飞 导师：张 莉 II II Abstract Research on support vector data description based on relative density degree Research on support vector data description based on relative density degree Abstract Novelty detection is a common problem which exists in modern medical research, new agricultural research and engineering security. Support vector data description (SVDD) is a method for novelty detection. SVDD tries to establish a hypersphere and include all the known normal samples. About detection problems, there are two kinds of data or the data with only normal samples and the data with both normal and abnormal samples. Note that the number of abnormal samples is very small even if the data contains abnormal samples. Lee et al. introduced the concept of the relative density degree of samples, which can improve the traditional SVDD algorithm. Based on the relative density degree and SVDD, this thesis has the following contributions. Based on the Density-induced Support Vector Data Description (D-SVDD) algori