典型文献
基于粒计算的支持向量数据描述分类方法
文献摘要：
分类学习效果与有限训练样本的分布情况密切相关.支持向量数据描述(Support vector data description,SVDD)作为单一边界求解模型,不能良好刻画数据实际分布特征,从而导致部分目标对象落在超球以外.为了提高其分类能力,本文提出一种基于粒计算的支持向量数据描述(Granular computing?driven SVDD,GrC?SVDD)分类方法,构造多粒度层次的属性集合以及相应的多粒度超球.首先通过邻域自信息对当前粒度层的属性集合重要度进行计算,然后选择最佳属性集合对上一粒度层未达到纯度阈值的超球再训练,直到所有超球满足条件或者属性耗尽.实验部分讨论了算法参数对分类性能的影响,并通过学习获得超参数.结果表明,与SVDD及流行的分类算法相比,本文方法具有较好的分类性能.
文献关键词：
粒计算;支持向量数据描述;超球;邻域自信息;特征选择
中图分类号：
作者姓名：
方宇;曹雪梅;杨梅;王轩;闵帆
作者机构：
西南石油大学计算机科学学院,成都 610500;西南石油大学网络与信息化中心,成都 610500
文献出处：
引用格式：
[1]方宇;曹雪梅;杨梅;王轩;闵帆-.基于粒计算的支持向量数据描述分类方法)[J].数据采集与处理,2022(03):633-642
A类：
GrC,邻域自信息
B类：
粒计算,支持向量数据描述,分类方法,分类学,训练样本,Support,vector,data,description,SVDD,一边,解模,超球,Granular,computing,driven,多粒度,属性集,重要度,后选择,一粒,满足条件,耗尽,算法参数,分类性能,超参数,分类算法,特征选择
AB值：
0.318929
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
