文献

J-GLOBAL ID：201702260896134347   整理番号：17A0754611

革新的1クラス最小二乗連続認知に基づくベクトルマシンモデルを支持する【Powered by NICT】

An innovative one-class least squares support vector machine model based on continuous cognition

著者 (6件)： Huang Guangzao (Department of Automation, Xiamen University, Xiamen 361005, Fujian, China) ,  Huang Guangzao (School of Information Technology, York University, Toronto M3J 1P3, Canada) ,  Yang Zijiang (School of Information Technology, York University, Toronto M3J 1P3, Canada) ,  Chen Xiaojing (College of Physics and Electronic Engineering Information, Wenzhou University, Wenzhou 325035, Zhejiang, China) ,  Ji Guoli (Department of Automation, Xiamen University, Xiamen 361005, Fujian, China) ,  Ji Guoli (Innovation Center for Cell Signaling Network, Xiamen University, Xiamen 361005, Fujian, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 123  ページ： 217-228  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 1クラス分類は,機械学習における基本的な問題である。確率または幾何学的角度から設計された既存の典型的な1クラス分類器とは異なり,この論文では,生体工学の観点からこの問題を研究することを試みた。出発点として連続認知特性を用いて,1クラス分類問題のための多重回帰の自然な拡張と見なすことができる,多重回帰モデル(OC MR)と命名した1クラス分類器の新しいフレームワークを提案した。本論文では,提案した方法のthemodelingプロセスを示すための例として最小二乗サポートベクトルマシン(LSSVM)を適用し,対応する1クラス分類器は,1クラス最小二乗サポートベクトルマシン(OC LSSVM)と名づけた。様々なシミュレーションデータセットと実世界データセットは,提案されたOC LSSVMの性能を試験した。包括的な比較を達成するために,Parzenカーネル密度推定,サポートベクトルデータ記述とGauss混合モデルを含む既存のポピュラーな1クラス分類法も適用した。結果はOC LSSVMは最もシミュレーションとその良好なロバスト性,OC LSSVMの有効性を強調するによる実生活データセットで最良の性能を達成したことを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： ロバスト性 ,  生体工学 ,  *最小二乗法 ,  多重回帰分析 ,  機械学習
準シソーラス用語： Gauss混合モデル ,  カーネル推定 ,  多重回帰モデル , 【Automatic Indexing@JST】

著者キーワード (4件)： 連続認知 ,  多重回帰 ,  1クラス分類 ,  最小二乗サポートベクトルマシン

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (4件)： クラス ,  最小二乗 ,  認知 ,  支持