论文部分内容阅读
由于One-class支持向量机能用于无监督学习，被广泛用于信息安全、图像识别等领域中。而超球体One-Class支持向量机能生成一个合适的球体，将训练样本包含其中，故更适合于呈球形分布的样本学习。但由于超球体One-class支持向量机没有一种快速训练算法，使其在应用中受到限制。SMO算法成功地训练了标准SVM，其训练思想也可用于超球体One-class支持向量机的训练。本文提出了超球体One-class支持向量机的SMO训练算法，并对其空间和时间复杂度进行了分析。实验表明，这种算法能迅速、有效地训练超