张仙伟，邢佳瑶

(西安石油大学 计算机学院，陕西 西安 710065)

0 引 言

TAX提出支持向量数据描述(support vector data description，SVDD)[1]算法，在单值分类领域得到了广泛应用。陆从德将SVDD推广至分类领域，根据数据的描述边界进行分类并采用乘性规则求解[2]。从提高SVDD求解速度入手，ZHAO F等构造一种简化算法，寻求特征空间中支持向量的基函数以提高测试速度[3]。LAN J C将SVDD算法拓宽应用于在模拟电路，并通过独立成分分析进行特征选择以提高训练速度[4]。NIAZMARDI S等利用SVDD改进模糊C均值聚类算法，并用于无监督高光谱数据分类[5]。PENG X J等设计避免矩阵求逆的运算方法，提高传统SVDD的分类精度[6]。刘富等从提高分类精度角度，设计根据位置分布构造可变惩罚参数的方法[7]。CAO J等拓宽SVDD用于癌症多分类的快速基因选择方法[8]。REKHA A G等根据SVDD目标函数的梯度下降方向找到球心的近似原像，避免了拉格朗日乘子的计算问题并降低了复杂度[9]。陶新民等设计密度敏感最大间隔SVDD算法，根据样本在空间的分布，解决不均衡的数据分类问题[10]。GUO Y等将SVDD与多核学习结合构造多分类器[11]。引入集成学习理念，Pranjal利用斜二叉树和SVDD构造改进的多分类算法[12]。GORNITZ N进一步应用集成学习思想[13]，利用SVDD和K均值聚类构造单值分类算法。YIN L L等将SVDD应用于奇异值检测，构造具有较好鲁棒性的积极学习算法[14]。在无线传感器网络领域，HUAN Z等设计SVDD算法进行奇异值检测[15]，而SHI P等在此基础上设计改进的SVDD算法[16]。陶新民等针对故障检测设计一种不均衡的最大间隔SVDD模型[17]。WANG K Z等设计针对污染数据的鲁棒支持向量域描述算法[18]。……