胡天杰，胡文军，王士同

（1.湖州师范学院信息工程学院，浙江湖州 313000；2.江南大学人工智能与计算机学院，江苏无锡 214122）

0 引言

异常检测的目标是从正常样本中训练得到一个分类模型，进而对未知样本进行检测和识别，目前许多学者在训练样本中加入少量异常样本提升了异常检测的准确率，如带异常样本的支持向量数据描述（Support Vector Data Description，SVDD）［1］和深度神经网络（Deep Neural Network，DNN）［2］等。在实际生活的各领域中，如故障诊断［3］、网络入侵检测［4］、医疗图像诊断［5］、视频异常检测［6］和信用卡欺诈行为识别［7］等，获取正常样本较为容易，而获取异常样本需要花费很高的代价，因此异常检测方法得到了广泛使用。目前异常检测的建模方法较多，比如基于统计学习的方法［8］、基于神经网络方法［9］和基于密度估计方法［10］等。

Tax等［11］在2004年提出了SVDD方法，目标是在特征空间中找到一个能够包含所有或大多数正常样本的最小超球，作为一种典型的数据描述方法，在异常检测领域受到了广泛关注［12］。之后，很多学者对它进行了进一步的研究，并针对不同的问题提出了SVDD的改进方法，如为了增大超球体边界与异常样本之间的间隔，Wu等［13］在2009年提出了小球体大间隔（Small Sphere and Large Margin，SSLM）的支持向量数据描述方法。针对多分布数据，文献［14-15］中提出了多球支持向量数据描述（Multi-Sphere SVDD，MS-SVDD）方法。杨小明等［16］从数据的几何结构出发，综合数据全局和局部几何结构信息，在2015年提出了局部分块的支持向量数据描述（SVDD based on Local Patch，OCSVDDLP），该方法通过局部分块和局部样本重构捕捉数据的局部结构信息。……