导语

  

内容提要

  

    单类分类广泛地存在于入侵检测、故障诊断等实际应用领域中，它能有效解决仅有一类样本用于训练分类器的问题和类别极端不平衡的问题。本书简要介绍了四类常用的单类分类器，重点介绍了基于信息理论学习的单类分类特征提取、鲁棒单类分类器和单类分类器集成，主要包括基于正则化相关熵的异常检测特征提取、基于可缩放hinge损失函数的鲁棒单类支持向量机、基于鲁棒AdaBoost的单类支持向量机集成、基于Renyi熵多样性度量的SVDD选择性集成。另外，本书还介绍了基于深度学习的异常检测方法，并以基于支持域的单类分类器为基础，较系统地讨论了单类分类的主要问题。
    本书可作为应用数学、计算机科学与技术、自动化等专业高年级本科生和研究生的教材或教学参考书，也可供相关领域的科研人员和工程技术人员阅读参考。

前言
符号说明
第1章  绪论
  1.1  两类分类
    1.1.1  例子(蠓虫分类)
    1.1.2  两类分类问题
  1.2  多类分类
    1.2.1  例子(鸢尾属植物分类)
    1.2.2  多类分类问题
  1.3  单类分类
    1.3.1  例子(Square数据集)
    1.3.2  单类分类问题
    1.3.3  单类分类方法的分类
  参考文献
第2章  单类分类器
  2.1  基于密度估计的单类分类器
    2.1.1  Parzen窗密度估计
    2.1.2  K近邻
    2.1.3  高斯密度估计
    2.1.4  高斯混合模型
  2.2  基于神经网络的单类分类器
    2.2.1  自联想神经网络
    2.2.2  径向基函数神经网络
    2.2.3  自组织映射神经网络
    2.2.4  极限学习机
  2.3  基于聚类的单类分类器
    2.3.1  K均值
    2.3.2  模糊c均值
    2.3.3  水平集法
  2.4  基于支持域的单类分类器
    2.4.1  单类支持向量机
    2.4.2  支持向量数据描述
    2.4.3  核主成分分析
  参考文献
第3章  单类分类的维数约简
  3.1  特征选择
    3.1.1  SVDD半径递归特征消除法
    3.1.2  SVDD对偶目标递归特征消除法
    3.1.3  过滤式特征选择
  3.2  特征提取
    3.2.1  主成分分析
    3.2.2  线性判别分析
    3.2.3  局部保持投影
  3.3  基于正则化相关熵的异常检测特征提取
    3.3.1  相关工作
    3.3.2  数学模型
    3.3.3  算法描述
    3.3.4  实验结果
  3.4  基于模拟退火的SVDD特征提取和参数选择
    3.4.1  模拟退火
    3.4.2  SA-SVDD
    3.4.3  实验结果
  参考文献
第4章  基于核的单类分类器
  4.1  鲁棒的光滑单类支持向量机
    4.1.1  相关工作
    4.1.2  数学模型
    4.1.3  实验结果
  4.2  基于局部相关保留的单类支持向量机
    4.2.1  相关工作
    4.2.2  数学模型
    4.2.3  算法描述
    4.2.4  实验结果
  4.3  局部保留加权单类支持向量机
    4.3.1  数学模型
    4.3.2  算法描述
    4.3.3  实验结果
  4.4  自适应加权单类支持向量机
    4.4.1  相关工作
    4.4.2  数学模型
    4.4.3  算法描述
    4.4.4  实验结果
  4.5  基于可缩放hinge损失函数的鲁棒单类支持向量机
    4.5.1  数学模型
    4.5.2  算法描述
    4.5.3  鲁棒单类支持向量机的泛化性能和鲁棒性
    4.5.4  实验结果
  4.6  基于截断l1范数的鲁棒最小二乘单类支持向量机
    4.6.1  相关工作
    4.6.2  数学模型
    4.6.3  算法描述
    4.6.4  实验结果
  4.7  基于样本选取和加权KPCA-l1的异常检测
    4.7.1  相关工作
    4.7.2  构造过程
    4.7.3  实验结果
  4.8  基于核学习向量量化的异常检测
    4.8.1  LVQ 和 KLVQ
    4.8.2  重新表示的 KLVQ
    4.8.3  实验结果
  4.9  基于 SOM 和局部最小包围球的异常检测
    4.9.1  基于 SOM和 LVQ的异常检测器
    4.9.2  基于 SOM和局部最小包围球的异常检测器
    4.9.3  实验结果
  参考文献
第5章  单类分类器集成
  5.1  基于旋转的单类支持向量机集成
    5.1.1  构造过程
    5.1.2  算法实现
    5.1.3  实验结果
  5.2  基于改进AdaBoost的单类支持向量机集成
    5.2.1  AdaBoost集成方法的发展
    5.2.2  改进的AdaBoost集成方法
    5.2.3  实验结果
    5.2.4  图像检索
  5.3  基于鲁棒AdaBoost的单类支持向量机集成
    5.3.1  数学模型
    5.3.2  算法描述
    5.3.3  经验误差界和泛化误差界
    5.3.4  实验结果
  5.4  基于Renyi熵多样性度量的SVDD选择性集成
    5.4.1  Renyi熵
    5.4.2  SVDD的选择性集成
    5.4.3  实验结果
  5.5  基于相关熵和距离方差的SVDD选择性集成
    5.5.1  相关工作
    5.5.2  数学模型
    5.5.3  算法描述
    5.5.4  实验结果
  参考文献
第6章  基于深度学习的单类分类器
  6.1  基于双判别器生成式对抗网络的异常检测方法
    6.1.1  生成式对抗网络
    6.1.2  D2GANND
    6.1.3  实验结果
  6.2  基于非凸正则化项的堆栈鲁棒稀疏自编码器
    6.2.1  预备知识
    6.2.2  基于T-l1范数和l2,1范数组合正则化项的鲁棒稀疏自编码器
    6.2.3  基于堆栈鲁棒稀疏自编码器的单类分类器集成
    6.2.4  实验结果
  参考文献
索引