论文部分内容阅读
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。