局部分塊支持向量數(shù)據(jù)描述

　　通過(guò)對(duì)正常樣本學(xué)習(xí)獲得數(shù)據(jù)特征屬性的過(guò)程稱為異常檢測(cè)，屬于一類分類問(wèn)題。在許多應(yīng)用領(lǐng)域，如假幣識(shí)別、醫(yī)療診斷、機(jī)器故障診斷、生物發(fā)酵過(guò)程異常監(jiān)測(cè)、通信領(lǐng)域輻射源個(gè)體識(shí)別等。由于獲得異常數(shù)據(jù)的可能性小，且獲取過(guò)程需要花費(fèi)大量的人力和物力，故異常檢測(cè)在近幾十年里得到了廣泛關(guān)注。一種是利用超球面實(shí)現(xiàn)異常檢測(cè)，如支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）和小球體大間隔（Small Sphere and Large Margin，SSLM），它們可以捕捉數(shù)據(jù)的全局結(jié)構(gòu)但不能用于多分布的數(shù)據(jù)集。為此，Xiao等提出多球支持向量數(shù)據(jù)描述（Multi-Sphere　SVDD．MS-SVDD），不但捕捉數(shù)據(jù)的全局結(jié)構(gòu)，也能應(yīng)用于含多個(gè)不同分布的數(shù)據(jù)中。另外一種是利用超平面將正常樣本與異常樣本分離開，如一類支持向量機(jī)（ One-Class SVM，OCSVM），而為了適應(yīng)大樣本學(xué)習(xí)，Tsang等利用L2范數(shù)改進(jìn)了OCSVM，提出一類12支持向量機(jī)（One-Class L2-SVM，OCSVML2）。但是，像其他統(tǒng)計(jì)學(xué)習(xí)方法一樣，SVDD．SSLM、MS-SVDD、OCSVM和OCSVML2、Kemel PCA（ Kemel　Principal Component Analysis）在建模學(xué)習(xí)時(shí)，僅考慮到數(shù)據(jù)的全局幾何結(jié)構(gòu)，而忽略了數(shù)據(jù)的局部幾何結(jié)構(gòu)，導(dǎo)致隱藏在局部結(jié)構(gòu)中的信息丟失。近年來(lái)，局部加權(quán)方法已成功應(yīng)用于多種統(tǒng)計(jì)學(xué)習(xí)方法中，應(yīng)用表明局部加權(quán)方法可以有效捕捉數(shù)據(jù)的局部結(jié)構(gòu)。為此，本文將局部加權(quán)引入到一類SVDD中，并通過(guò)局部分塊和局部樣本數(shù)據(jù)重構(gòu)，提出局部分塊的一類SVDD（ One-Class SVDD based on Local Patch．OCSVDDcp）異常檢測(cè)方法。