基于特征贡献度加权高斯核函数的粗糙one-class支持向量机

粗糙one-class支持向量机(rocsvm)是一种一类支持向量机,它通过核函数映射,定义上近似超平面和下近似超平面,使得训练样本能根据在粗糙间隔中的位置,自适应地对决策超平面产生影响。由于rocsvm训练集只有正类样本,因此充分挖掘和利用训练样本的分类特征对于提高rocsvm的分类性能有重要意义。为此,提出了一种基于训练样本分类特征贡献度的加权高斯核函数(λ-rbf):先对训练样本做主成分分析(pca)得到按特征值排序的向量集,以此向量集构造核函数,使得特征值较大的维度在核函数中起较大的作用。在uci标准数据集和仿真数据上的实验结果表明:与一般rbf的rocsvm相比,基于λ-rbf的rocsvm有着更好的泛化性和更高的识别率。