超球体单类支持向量机的SMO训练算法

计算机科学 ›› 2008, Vol. 35 ›› Issue (6): 178-180.

超球体单类支持向量机的SMO训练算法

徐图罗瑜何大可

西南交通大学信息科学与技术学院,成都610031

出版日期:2018-11-16 发布日期:2018-11-16

XUTu ,LUOYu, HEDa-ke （School of Information Science and Technology, Southwest Jiaotong University, Chengdu 610031,China）

Online:2018-11-16 Published:2018-11-16

摘要/Abstract

摘要： 由于One-class支持向量机能用于无监督学习，被广泛用于信息安全、图像识别等领域中。而超球体One-Class支持向量机能生成一个合适的球体，将训练样本包含其中，故更适合于呈球形分布的样本学习。但由于超球体One-class支持向量机没有一种快速训练算法，使其在应用中受到限制。SMO算法成功地训练了标准SVM，其训练思想也可用于超球体One-class支持向量机的训练。本文提出了超球体One-class支持向量机的SMO训练算法，并对其空间和时间复杂度进行了分析。实验表明，这种算法能迅速、有效地训练超

关键词: 无监督学习超球体One-class支持向量机 SMO训练算法

Abstract: One-Class SVM, as an unsupervised learning algorithm, is used widely in the areas of information security and image recognition etc. Moreover, Hyper-Sphere One-Class SVM can product a right sphere including the training examples, so it is fit to learn the

Key words: Unsupervised learning, Hyper-sphere one-class SVM,SMO algorithm

徐图罗瑜何大可. 超球体单类支持向量机的SMO训练算法[J]. 计算机科学, 2008, 35(6): 178-180. https://doi.org/

XUTu ,LUOYu, HEDa-ke （School of Information Science and Technology, Southwest Jiaotong University, Chengdu 610031,China）. [J]. Computer Science, 2008, 35(6): 178-180. https://doi.org/

参考文献

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed