论文部分内容阅读
为加快支持向量域描述（SVDD）的训练速度，提出基于约减集的约简支持向量域描述算法RSVDD．由于描述边界仅由支持向量决定，且支持向量多分布在描述边缘附近，该算法采用每个样本到中心的距离作为支持向量的一种可能性度量，选取距离较大的部分样本作为约减集参与SVDD训练．人造数据和基准集数据上的仿真实验表明了RSVDD的有效性和优越性，保证了目标类和奇异值类的分类精度，缩减了训练规模和训练时间．