文献类型：期刊文章

作　　者：陆从德[1] 张太镒[1] 胡金燕[1]

机构地区：[1]西安交通大学电信学院信息与通信工程系,西安710049

出　　处：《计算机学报》

年　　份：2004

卷　　号：27

期　　号：5

起止页码：690-694

语　　种：中文

收录情况：BDHX、BDHX2000、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、EI(收录号：2004318296336)、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：该文提出了一种基于支持向量域描述 (SVDD)的学习分类器 .在两类样本分类中 ,该算法在训练时通过对1类样本的描述求取包含 1类样本的球形边界 ,然后通过该边界对两类样本数据进行分类 ,并且在求取边界的优化问题中 ,采用乘性规则来直接求取Lagrange乘子 ,而不是用传统的二次优化方法 .该文所获得的学习算法和支持向量机 (SVM)与序列最小优化 (SMO)算法相比 ,不仅降低了样本的采集代价 ,而且在优化速度上有了很大提高 .通过CBCL人脸库的仿真实验 ,将该算法和SVM、SOM算法的实验结果进行对比 ,说明了该学习算法的有效性 .

关 键 词：支持向量域分类器  乘性规则  序列最小优化 支持向量机 学习算法

分 类 号：TP18]