改进的基于K均值聚类的SVDD学习算法

• 作者: 李先锋 田明 皋军 花小朋
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 支持向量数据描述 K均值 KKT条件
• 年，卷（期）: 2009,（17）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 184-186
• 页数: 3页
• 分类号: TP181
• 字数: 3663字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2009.17.063

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	花小朋	盐城工学院信息工程学院	22	122	7.0	10.0
2	皋军	盐城工学院信息工程学院	23	114	7.0	10.0
3	田明	盐城工学院信息工程学院	11	13	2.0	3.0
4	李先锋	盐城工学院信息工程学院	20	202	8.0	14.0