基于支持向量数据描述的异常检测与核特征提取方法研究

发布时间：2021-03-21 08:48

　　异常检测旨在准确地区分目标类（或正类）样本与来自非目标类（或负类）的异常样本。通常假定只有目标类的训练样本是可获得的,而缺少具有统计代表性的异常样本（如故障诊断中,难以获取机器在所有异常运行状态下的测量数据）。作为一种新的单类分类器,支持向量数据描述（Support Vector Data Description,SVDD）通过最小体积超球来模拟目标数据的边界。类似支持向量机,该边界只由少数训练样本（即支持向量）决定;通过将一般的内积用核函数取代,可以得到更灵活的数据描述。鉴于SVDD只模拟数据的边界,其对目标类的采样质量依赖较低。在目标类密度分布未知的情况下,SVDD仍可准确估计其在特征空间中的分布区域。尽管SVDD已广泛应用于异常检测,然而传统SVDD可能不能得到目标描述的最优解。其中一个主要问题即敏感于训练样本中的奇异样本;再则球形描述相对保守,尤其在应用多项式核函数的情况下。以上问题均影响SVDD异常检测的性能。核特征提取旨在去除数据中的高阶相关性,以实现对复杂数据集的降维,并揭示数据中隐含的简单结构。作为核方法的另一成功应用,核主分量分析（Kernel Principal C... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：138 页

【学位级别】：博士

【部分图文】：

最近邻异常检测分类器基于最近邻的异常检测方法简单而有效，它的优点在于：(1)最近邻方法在本

图 1.2 常规分类器与异常检测分类器示例由此可见，基于支持向量数据描述的异常检测方法可以解决一些新的分类 训练样本对不同类的采样严重不均衡或者完全缺少其中一类样本。这样情况常常出现在医学应用中，即来自正常、健康人群的样本远多于来自

图 1.4 二元高斯分布样本的主分量关性的方法即非线性主分量分析，基于核方法42]即是 PCA 的一种非线性扩展。使用核函数，原希尔伯特空间（reproducing kernel Hilbert space，征提取技术相比，kernel PCA 的优点在于它只需


本文编号：3092576