[发明专利]基于样本边缘点内部点的单类支持向量机核参数优化方法

说明书

本发明提出了一种基于样本边缘点内部点的单类支持向量机核参数优化方法，对目标类数据集样本进行归一化处理；根据每一个样本点与其近邻样本的几何关系，选择样本的边缘点与内部点；寻找每个边缘点与内部点在指定样本集中的最近邻与最远邻；根据样本的空间分布情况，确定核参数的备选集合；以核参数备选集合中的每一个参数值，构造对应的高斯核函数；计算核参数合适程度指标，将合适程度指标最大值所对应的参数值作为最优核参数值。本发明能够实现单类支持向量机核参数的自动优化，优化过程不需要训练单类支持向量机，优化所得参数使单类支持向量机分类准确率高，本发明在故障检测、新异点检测领域有广阔的应用前景。

技术领域

本发明涉及一种参数优化方法，特别是一种基于样本边缘点内部点的单类支持向量机核参数优化方法。

背景技术

故障检测通过监控产品生产过程的各个变量，及时发现生产过程中的故障，保证产品质量。在实际生产过程中，大多数是正常样本，而故障样本通常意味着经济损失，所以它们难以获得，数量非常稀少。而且，这些少量的故障样本只是来自某几个故障，它们不具有代表性，不能覆盖全部的故障样本区域。以这样数量相差悬殊的正常样本和故障样本建立二分类模型，将导致模型出现偏差，不能准确检测故障。针对这种情况，研究人员提出采用单类样本分类模型来检测故障。在众多单类样本分类方法中，单类支持向量机(one-class SVM，OCSVM)因其非线性处理能力以及模型的稀疏性而得到广泛应用。

OCSVM方法通常要采用高斯核函数来处理非线性，高斯核函数决定了样本在特征空间中的分布情况，进而影响OCSVM的效果，因此核函数参数的优化对于OCSVM方法的表现至关重要。针对OCSVM的参数优化方法可以分为两类，直接法和间接法。直接法在优化核参数的过程中则需要训练OCSVM模型，根据模型的中间结果来优化参数。此类方法由于需要反复训练OCSVM模型，计算量大耗时较长，如利用样本到OCSVM包裹曲面的距离来优化参数(Xiao,Y.,Wang,H.and Xu,W.,“Parameter selection of Gaussian kernel for one-class SVM,”IEEE Transactions on cybernetics 45(5),927–939(2015).)。间接法通过分析样本点在特征空间中的像的分布来优化核函数参数，不需要训练OCSVM模型。Evangelista等人认为核矩阵非对角线元素的均值和方差可以反映样本像在特征空间中的散布程度，因此提出通过最大化某个由均值和方差组成的指标来优化核函数参数(Evangelista,P.F.,Embrechts,M.J.and Szymanski,B.K.,“Some properties of theGaussian kernel for one class learning,”17th International conference onartificial neural networks,ICANN2007(2007).)。该类方法虽然计算量小，但未考虑样本之间的几何关系，导致优化所得参数表现不好。

发明内容

发明目的：本发明提供一种基于样本边缘点内部点的单类支持向量机核参数优化方法，可实现单类支持向量机核参数的自动优化且不需要训练单类支持向量机，优化所得参数使单类支持向量机分类准确率更高。

技术方案：本发明所述的一种基于样本边缘点内部点的单类支持向量机核参数优化方法，包括以下步骤：

(1)对样本进行归一化处理，得到归一化数据集x₁,x₂,…,x_n；

(2)根据归一化后的每一个样本点与其近邻样本的几何关系，选择样本的边缘点与内部点；

(3)寻找每个边缘点与内部点在指定样本集中的最近邻与最远邻；

(4)确定核参数的备选集合{s_i,i＝1,2,…,q}，构造对应的高斯核函数；