SVDD通常用于故障檢測(cè)。例如論文[1]。
主要思想[2]：
SVDD的主要思想是：首先，通過(guò)非線性映射將原始訓(xùn)練樣本x，映射到高維的特征空間；然后，在特征空間中尋找一個(gè)包含全部或大部分被映射到特征空間的訓(xùn)練樣本且體積最小的超球體(最優(yōu)超球體)；最后，通過(guò)非線性映射，如果新樣本點(diǎn)在特征空間中的像落入最優(yōu)超球體內(nèi)，則該樣本被視為一個(gè)正常點(diǎn)；否則，如果新樣本在特征空間中的像落入到最優(yōu)超球體外，則該新樣本被視為一個(gè)異常點(diǎn)。最優(yōu)超球體由其球心和半徑?jīng)Q定。
另一通俗易懂的講解見(jiàn)[3]
[1] J. Yu and X. Yan, "Layer-by-Layer Enhancement Strategy of Favorable Features of the Deep Belief Network for Industrial Process Monitoring," Industrial & Engineering Chemistry Research, vol. 57, no. 45, pp. 15479-15490, 2018.
[2] 百度百科：https://baike.baidu.com/item/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E6%8F%8F%E8%BF%B0/21508672
[3] CSDN：https://blog.csdn.net/qq_22641333/article/details/64919161
關(guān)于機(jī)器學(xué)習(xí)、算法、Python、計(jì)算機(jī)等更多內(nèi)容，請(qǐng)關(guān)注微信公眾號(hào)：
