%0 Journal Article
%T 流形嵌入的支持向量数据描述*
%A 陈斌
%A 李斌
%A 潘志松
%A 陈松灿
%J 模式识别与人工智能
%P 548-553
%D 2009
%X 测地距离能在宏观层面上较真实地反映数据中所隐含的几何结构，可基于它的支持向量数据描述(SVDD)无法直接优化.为此，文中提出一种流形分类学习算法的设计框架.用原空间测地距离近似各向同性的特征映射(ISOMAP)降维空间上的欧氏距离，即在隐含ISOMAP降维后空间上执行原学习算法.按照该框架，以SVDD为例发展出嵌入的ISOMAP发现的低维流形的SVDD(mSVDD)，从而解决基于测地距离的SVDD的优化问题.USPS手写体数字数据集上的实验表明，mSVDD的单类性能较SVDD有较显著提高.
%K 流形嵌入
%K 测地距离
%K 各向同性的特征映射(ISOMAP)
%K 支持向量数据描述(SVDD)
%K 单类分类
%U http://manu12.magtech.com.cn/Jweb_prai/CN/abstract/abstract10091.shtml