数据域描述涉及数据集的特征化。

Data domain description concerns the characterization of a data set. 

一个好的描述涵盖所有的目标数据，但不包含超流动空间。

A good description covers all target data but includes no superfluous space.

数据集的边界可以用来检测新的数据或异常值。

The boundary of a dataset can be used to detect novel data or outliers. 

我们将介绍受支持向量分类启发的支持向量数据描述（SVDD）。

We will present the Support Vector Data Description (SVDD) which is inspired by the Support Vector Classifier. 

它在一个数据集周围获得一个球形边界，类似于支持向量分类器，并且可以通过使用其他内核函数使其功能更加灵活。

It obtains a spherically shaped boundary around a dataset and analogous to the Support Vector Classifier it can be made flexible by using other kernel functions. 

该方法对训练数据集中的异常值具有较强的鲁棒性，并能通过使用否定的例子来加强描述。

The method is made robust against outliers in the training set and is capable of tightening the description by using negative examples. 

我们使用人工和真实数据显示了支持向量数据描述的特征。

We show characteristics of the Support Vector Data Descriptions using artificial and real data.

示例：

clc 
close all 
% clearvars 
addpath(genpath(pwd))

% Load data (X: training data Y: testing data) 
load ('.\data\X.mat') 
load ('.\data\Y.mat')

% Normalization (in general, this step is important for fault detection) 
[X_s,Y_s] = normalize(X,Y);

% Set parameters 
C = 0.5; % trade-off parameter 
s = 9; % kernel width 
ker = struct('type','gauss','width',s);

% Train SVDD hypersphere 
model = svdd_train(X_s,C,ker);

% Test a new sample Y (vector of matrix) 
d = svdd_test(model,Y_s);

% Plot the results 
plotResult(model.R,d)

完整源代码及参考文献下载地址：

http://page2.dfpan.com/fs/cl0cdjf2826182b9166/ 

更多精彩文章请关注微信号：