针对支持向量数据描述(SVDD) 单类分类方法运算复杂度高的缺点, 提出一种启发式约减支持向量数据描述(HR-SVDD) 方法. 以启发的方式从原有训练集中筛选出部分样本构成约减训练集, 对约减训练集进行二次规划解算, 得到支持向量和决策边界. 通过不同宽度系数高斯核SVDD特征的讨论, 证明了HR-SVDD 的有效性. 人工数据集和真实数据集上的实验结果表明, HR-SVDD 分类精度与传统支持向量数据描述相当, 但具有更快的运算速度和更小的内存占用.

核化一类硬划分SVDD、一/二类L2-SVM、L2 支持向量回归和Ranking SVM均已被证明是中心约束最小包含球. 这里将多视角学习引入核化L2-SVM, 提出核化两类多视角L2-SVM (Multi-view L2-SVM), 并证明该核化两类Multi-view L2-SVM 亦为中心约束最小包含球, 进而提出一种多视角核心向量机MvCVM. 所提出的Multi-view L2-SVM 和MvCVM既考虑了视角之间的差异性, 又考虑了视角之间的关联性, 使得分类器在各个视角上的学习结

摘要：为使支持向量数据描述（SVDD）能应用于无监督多分类情况,提出了一种基于人工免疫核聚类的支持向量数据描述（AIKCSVDD）方法。AIKCSVDD将人工免疫核聚类产生的记忆抗体作为目标数据点,使用SVDD方法进行多类学习。在AIKCSVDD中,一方面实现了用核聚类方法解决各类数据边界不清晰的长处与免疫网络聚类方法全局收敛、不需要先验知识的优点的有机结合;另一方面,由于用记忆抗体代替原始数据进行学习,从而更好展现了原始数据的全局分布特征。与基于K-means聚类multi-SVDD方法相比,