局部分块支持向量数据描述

　　通过对正常样本学习获得数据特征属性的过程称为异常检测，属于一类分类问题。在许多应用领域，如假币识别、医疗诊断、机器故障诊断、生物发酵过程异常监测、通信领域辐射源个体识别等。由于获得异常数据的可能性小，且获取过程需要花费大量的人力和物力，故异常检测在近几十年里得到了广泛关注。一种是利用超球面实现异常检测，如支持向量数据描述（Support Vector Data Description，SVDD）和小球体大间隔（Small Sphere and Large Margin，SSLM），它们可以捕捉数据的全局结构但不能用于多分布的数据集。为此，Xiao等提出多球支持向量数据描述（Multi-Sphere　SVDD．MS-SVDD），不但捕捉数据的全局结构，也能应用于含多个不同分布的数据中。另外一种是利用超平面将正常样本与异常样本分离开，如一类支持向量机（ One-Class SVM，OCSVM），而为了适应大样本学习，Tsang等利用L2范数改进了OCSVM，提出一类12支持向量机（One-Class L2-SVM，OCSVML2）。但是，像其他统计学习方法一样，SVDD．SSLM、MS-SVDD、OCSVM和OCSVML2、Kemel PCA（ Kemel　Principal Component Analysis）在建模学习时，仅考虑到数据的全局几何结构，而忽略了数据的局部几何结构，导致隐藏在局部结构中的信息丢失。近年来，局部加权方法已成功应用于多种统计学习方法中，应用表明局部加权方法可以有效捕捉数据的局部结构。为此，本文将局部加权引入到一类SVDD中，并通过局部分块和局部样本数据重构，提出局部分块的一类SVDD（ One-Class SVDD based on Local Patch．OCSVDDcp）异常检测方法。