《單類分類理論與算法》是科學出版社出版的一本圖書，作者是邢紅傑。
基本介紹
- 中文名：單類分類理論與算法
- 作者：邢紅傑
- 出版社：科學出版社
- ISBN：9787030692016
內容簡介,圖書目錄,
內容簡介
單類分類廣泛地存在於入侵檢測、故障診斷等實際套用領域中，它能有效解決僅有一類樣本用於訓練分類器的問題和類別極端不平衡的問題。本書簡要介紹了四類常用的單類分類器，重點介紹了基於信息理論學習的單類分類特徵提取、魯棒單類分類器和單類分類器集成，主要包括基於正則化相關熵的異常檢測特徵提取、基於可縮放hinge損失函式的魯棒單類支持向量機、基於魯棒AdaBoost的單類支持向量機集成、基於Renyi熵多樣性度量的SVDD選擇性集成。另外，本書還介紹了基於深度學習的異常檢測方法，並以基於支持域的單類分類器為基礎，較系統地討論了單類分類的主要問題。
圖書目錄
前言
符號說明
第1章 緒論 1
1.1 兩類分類 1
1.1.1 例子 (蠓蟲分類) 1
1.1.2 兩類分類問題 3
1.2 多類分類 4
1.2.1 例子 (鳶尾屬植物分類) 4
1.2.2 多類分類問題 5
1.3 單類分類 10
1.3.1 例子 (Square 數據集) 10
1.3.2 單類分類問題 11
1.3.3 單類分類方法的分類 12
參考文獻 16
第2章 單類分類器 20
2.1 基於密度估計的單類分類器 20
2.1.1 Parzen 窗密度估計 20
2.1.2 K 近鄰 21
2.1.3 高斯密度估計 22
2.1.4 高斯混合模型 23
2.2 基於神經網路的單類分類器 23
2.2.1 自聯想神經網路 24
2.2.2 徑向基函式神經網路 25
2.2.3 自組織映射神經網路 28
2.2.4 極限學習機 30
2.3 基於聚類的單類分類器 32
2.3.1 K 均值 33
2.3.2 模糊 c 均值 33
2.3.3 水平集法 35
2.4 基於支持域的單類分類器 38
2.4.1 單類支持向量機 38
2.4.2 支持向量數據描述 41
2.4.3 核主成分分析 44
參考文獻 46
第3章 單類分類的維數約簡 48
3.1 特徵選擇 48
3.1.1 SVDD 半徑遞歸特徵消除法 48
3.1.2 SVDD 對偶目標遞歸特徵消除法 51
3.1.3 過濾式特徵選擇 54
3.2 特徵提取 59
3.2.1 主成分分析 59
3.2.2 線性判別分析 62
3.2.3 局部保持投影 63
3.3 基於正則化相關熵的異常檢測特徵提取 65
3.3.1 相關工作 65
3.3.2 數學模型 66
3.3.3 算法描述 68
3.3.4 實驗結果 69
3.4 基於模擬退火的 SVDD 特徵提取和參數選擇 75
3.4.1 模擬退火 75
3.4.2 SA-SVDD 76
3.4.3 實驗結果 78
參考文獻 80
第4章 基於核的單類分類器 83
4.1 魯棒的光滑單類支持向量機 83
4.1.1 相關工作 83
4.1.2 數學模型 84
4.1.3 實驗結果 86
4.2 基於局部相關保留的單類支持向量機 88
4.2.1 相關工作 89
4.2.2 數學模型 91
4.2.3 算法描述 93
4.2.4 實驗結果 94
4.3 局部保留加權單類支持向量機 97
4.3.1 數學模型 97
4.3.2 算法描述 99
4.3.3 實驗結果 100
4.4 自適應加權單類支持向量機 103
4.4.1 相關工作 104
4.4.2 數學模型 105
4.4.3 算法描述 106
4.4.4 實驗結果 106
4.5 基於可縮放 hinge 損失函式的魯棒單類支持向量機 109
4.5.1 數學模型 110
4.5.2 算法描述 113
4.5.3 魯棒單類支持向量機的泛化性能和魯棒性 113
4.5.4 實驗結果 116
4.6 基於截斷 1 範數的魯棒最小二乘單類支持向量機 129
4.6.1 相關工作 130
4.6.2 數學模型 131
4.6.3 算法描述 133
4.6.4 實驗結果 133
4.7 基於樣本選取和加權 KPCA-e1 的異常檢測 139
4.7.1 相關工作 139
4.7.2 構造過程 140
4.7.3 實驗結果 144
4.8 基於核學習向量量化的異常檢測 149
4.8.1 LVQ 和 KLVQ 149
4.8.2 重新表示的 KLVQ 152
4.8.3 實驗結果 153
4.9 基於 SOM 和局部最小包圍球的異常檢測 155
4.9.1 基於 SOM 和 LVQ 的異常檢測器 155
4.9.2 基於 SOM 和局部最小包圍球的異常檢測器 156
4.9.3 實驗結果 159
參考文獻 163
第5章 單類分類器集成 167
5.1 基於旋轉的單類支持向量機集成 167
5.1.1 構造過程 167
5.1.2 算法實現 168
5.1.3 實驗結果 169
5.2 基於改進 AdaBoost 的單類支持向量機集成 171
5.2.1 AdaBoost 集成方法的發展 171
5.2.2 改進的 AdaBoost 集成方法 173
5.2.3 實驗結果 174
5.2.4 圖像檢索 179
5.3 基於魯棒 AdaBoost 的單類支持向量機集成 184
5.3.1 數學模型 184
5.3.2 算法描述 188
5.3.3 經驗誤差界和泛化誤差界 189
5.3.4 實驗結果 193
5.4 基於 Renyi 熵多樣性度量的 SVDD 選擇性集成 206
5.4.1 Renyi 熵 206
5.4.2 SVDD 的選擇性集成 207
5.4.3 實驗結果 213
5.5 基於相關熵和距離方差的 SVDD 選擇性集成 221
5.5.1 相關工作 221
5.5.2 數學模型 222
5.5.3 算法描述 224
5.5.4 實驗結果 225
參考文獻 229
第6章 基於深度學習的單類分類器 232
6.1 基於雙判別器生成式對抗網路的異常檢測方法 232
6.1.1 生成式對抗網路 232
6.1.2 D2GANND 234
6.1.3 實驗結果 237
6.2 基於非凸正則化項的堆疊魯棒稀疏自編碼器 240
6.2.1 預備知識 240
6.2.2 基於 T-e1 範數和 e2,1 範數組合正則化項的魯棒稀疏自編碼器 244
6.2.3 基於堆疊魯棒稀疏自編碼器的單類分類器集成 247
6.2.4 實驗結果 248
參考文獻 252
索引 254
