计算机应用

作者：胡天杰, 胡文军, 王士同

单位：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

关键词：异常检测,支持向量数据描述,高斯核,分布熵,分类

基金：国家自然科学基金资助项目（61772198）；浙江省基础公益研究计划项目（LGN18F020002）。

针对支持向量数据描述（SVDD）对惩罚参数相当敏感的问题，提出一种新颖的异常检测方法，称为分布熵惩罚的支持向量数据描述（DEP-SVDD）。首先，将正常样本作为数据的全局分布，并在高斯核空间中定义每个样本点与正常样本分布中心的距离度量；然后，基于该距离设计评估样本点属于正常或异常样本的概率；最后，利用此概率构造基于分布熵的惩罚度以对相应的样本进行惩罚。在9个真实数据集上，将所提方法与SVDD、密度权的支持向量数据描述 （DW-SVDD）、位置正则的支持向量数据描述（P-SVDD）、K最近邻（KNN）和孤立森林（iForest）算法进行对比实验，结果表明DEP-SVDD在6个数据集上获得了最高的分类精度，可见相较于多种异常检测方法，DEP-SVDD在异常检测中具有更好的性能优势。

来源：2021年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第8期