一类分类马氏椭球学习机的改进

针对一类分类马氏椭球学习机(Mahalanobis ellipsoidai learning machine for one class classification,MELM)方法中选取参数C比较困难的问题,提出一种改进的方法v-MELM.这种方法通过引入一个具有明确物理意义的参数v,即v是超椭球外部的样本点数(野点数)占总样本点数的份额的上界,是支持向量的个数所占总样本点数的份额的下界,使参数可以灵活地根据实际问题的精度要求来选取,从而可以快速选取最有效的参数.     

基于类权重的模糊不平衡数据分类方法

针对现有分类算法通常对不平衡数据挖掘表现出有偏性,即正类样本（通常是更重要的一类）的分类和预测性能差于负类样本的分类和预测性能,提出一种不平衡数据分类方法。该方法通过一个超球面将两类数据以最大分离比率分离,并且引入类权重因子和样本模糊隶属度,同时考虑了不同类的重要性和不同样本对该类的不同贡献,从而提高了不平衡数据中正类的分类和预测的性能以及整体的推广能力。分别在人造数据和UCI真实数据上进行了实验,结果验证了该方法的有效性。     

基于SVDD的渐进直推式支持向量机学习算法

针对半监督学习中渐进直推支持向量机(PTSVM)算法每次标注的样本数太少、训练速度慢、回溯式学习多、学习性能不稳定的问题,提出一种快速的渐进直推支持向量机学习算法.该算法利用支持向量的信息,基于支持向量域描述(SVDD)选择新标注、无标签的样本点,以区域标注法代替PTSVM的成对标注法,不仅继承了其渐进赋值和动态调整的规则,而且在保持甚至提高算法精度的同时,大大提高算法速度.在人工模拟数据和真实数据上的实验结果表明该算法的有效性.