空间支持向量域分类器 (2008年)

构造了一种空间支持向量域分类器（SSVDC）。在训练阶段分别对正负两类样本进行支持向量域描述，根据描述边界将数据空间划分为互不相交区域，并设定相应的分类准则。在测试阶段，分别计算待识别样本与两个最小包围超球球心的距离，根据其与超球半径的大小关系确定待识别样本所处区域，并采取相应分类准则完成分类。UCI数据集上的多个数值实验表明，与支持向量机（SVM），支持向量域分类器（SVDC）相比，SSVDC具有好的鲁棒性，训练时间可缩短为SVM的20.6%，分类精度比SVDC提高45.9%。