[发明专利]一种局部分块的一类支持向量数据描述方法

说明书

技术领域

本发明涉及数据异常检测领域，尤其涉及一种局部分块的一类支持向量数据描述方法。

背景技术

现有通过对正常样本数据的学习进而获得其特征属性的过程称为异常检测，隶属于一类分类问题。在许多应用领域，如假币识别，医疗诊断，机器故障诊断，生物发酵过程异常监测，通信领域辐射源个体识别等，获得异常数据的可能性很小，且获取的过程需要花费大量的人力和物力。因此，异常检测在近几十年里得到了广泛关注。

一类支持向量数据描述的异常检测方法一直得到较大关注。许多学者提出了诸多改进版本，如小球体大间隔方法、多球支持向量数据描述方法等。上述异常检测方法在构建数学模型时，仅仅考虑到数据的全局几何结构，而忽略了数据的局部几何结构，导致隐藏在局部结构中的信息丢失，降低了上述方法在异常数据检测中的识别精度。

发明内容

本发明为了解决现有技术问题，既考虑到数据的全局几何结构，也考虑到数据的局部几何结构，设计一种实现有效的异常数据检测的局部分块的一类支持向量数据描述方法。

本发明的技术方案是：一种局部分块的一类支持向量数据描述方法，包括如下步骤：

步骤1：对样本集X＝(x₁，…，x_N)进行局部分块，得到各个局部分块P_i(i＝1，…，N)，具体方法为：把x_i对应最近邻个数K的最近邻样本集所构成的局部区域称为x_i在样本集X上的一个局部分块，其中，表示x_i的第p个最近邻样本点；

步骤2：计算重构系数其中，x_i的局部重构系数h为热核参数，得到重构系数矩阵W＝(W₁，…W_N)，用来权衡局部分块内不同样本对该局部区域内在几何结构的贡献程度；

步骤3：通过核函数计算核矩阵K，其中k(·，·)为核函数；

步骤4：设定核化模型：

其中通过拉格朗日获得所述核化模型的对偶形式：

步骤5：将步骤2得到的重构系数矩阵和步骤3得到的核矩阵代入步骤4的对偶形式，得到拉格朗日乘子向量α：α＝(α₁，…，α_N)^T；

步骤6：根据决策函数

f(x)＝R²+2[k(x，x₁)，…，k(x，x_N)]Wα-k(x，x)-α^T(W^TKW)α对未知样本x进行决策，其中核化后的球心：W是拉格朗日乘子α_s满足0＜α_s＜C条件所对应样本点x_s的重构系数向量，若f(x)≥0，则x为正常样本，否则为异常样本。

作为一种优选，步骤2中的近邻个数K从网格{2，3，…，14}中选择。

作为一种优选，步骤2中的热核参数h从网格表{2^-14，2^-13，…，2¹³，2¹⁴}中选择。

作为一种优选，步骤3中的核函数k(·，·)选为高斯核函数：

k(x_i，x_j)＝exp(-||x_i-x_{||²/2σ²)；}

其中核带宽参数σ＝2^mσ₀，m＝{-4.5，-4.0，…，4.0，4.5}；

σ₀是样本数据平均2范数的平方根。

综上所述，本发明的有益效果是：提出的一类支持向量数据描述方法具有捕捉数据局部几何结构能力，从而使得构建的数据模型具有更好异常数据检测能力。

附图说明

图1为现有原始一类支持向量数据描述方法对半月形数据集的识别效图；

图2为本发明方法对半月形数据集的识别效图；

具体实施方式

利用本发明进行异常数据检测任务。本发明包括如下步骤：