主要功能： 1、支持单值分类和二值分类的超球体构建 2、支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian) 3、支持 2D 或 3D 数据的决策边界可视化 4、支持基于贝叶斯超参数优化、遗传算法和粒子群算法的 SVDD 的参数优化 5、支持加权的 SVDD 资源使用事项： 1、提供了多个示例文件，每个文件的开头都有对应的介绍 2、需要 R2016b 以上的 MATLAB 版本 3、内含详细的使用说明 4、主要用于单类(One-class)分类问题得的研究。对于单分类任务。不是分类问题以“区分不同的类”为目标，也不是回归问题以“对每一个样本产生一个期望输出”为目标，而是给出一个关于训练样本集的描述，同时检测哪些与这个训练样本集相似的(新的)样本。该描述应该覆盖代表训练样本集的样本类，同时，在理想情况下，该描述应该能够将样本空间中其它所有可能的异常样本排除在外。

针对机械智能监测和故障诊断中故障样本缺乏的问题,提出了一种支持向量数据描述和用双谱提取故障特征值相结合的机械故障诊断方法。该方法可以只利用正常状态数据样本来建立单值分类器,判别机器的运行状态。高阶谱能有效地抑制噪声,对不同类型的故障,高阶谱存在明显差异。采用双谱对角切片对原始数据信号进行特征提取,将特征值作为SVDD的输入参数进行分类。运用该方法在滚动轴承的故障诊断中。

支持向量数据描述 (Support Vector Data Description, SVDD) 语言：Python 版本：V1.1 --------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：iqiukp@outlook.com 可提供关于该算法/代码的付费咨询和有偿编写 -------------------------------------------- 主要功能 1. 基于 sklearn.base 的 SVDD BaseEstimator 2. 支持单值分类和二值分类的超球体构建 3. 支持多种核函数 (linear, gaussian, polynomial, sigmoid) 4. 支持 2D 数据的决策边界可视化 --------------------------------------------- 依赖库 cvxopt matplotlib numpy scikit_learn scikit-opt (可选，仅用于参数优化)

支持向量数据描述SVDD：使用支持向量数据描述（SVDD）进行异常检测或故障检测的MATLAB代码

支持向量数据描述（SVDD） 用于使用SVDD进行异常检测或故障检测的Python代码。 电子邮件： 主要特点 用于仅包含正训练数据的训练数据集的SVDD模型。 （SVDD） 包含正训练数据和负训练数据的训练数据集的SVDD模型。 （nSVDD） 多种内核功能。 可视化模块，包括ROC曲线图，测试结果图和决策边界。 要求 matplotlib cvxopt 科学的 麻木 scikit_learn 关于SVDD型号 根据以下参考文献，可以构建两种类型的SVDD模型： [1] Tax DMJ，Duin RP W.支持向量数据描述[J]。 机器学习，2004，54（1）：45-66。 一个简单的决策边界应用程序（使用不同的内核函数） # -*- coding: utf-8 -*- import sys sys.path.append("..") from src.svdd im

svdd 支持向量数据描述

支持向量数据描述（SVDD） 使用SVDD进行异常检测或故障检测的MATLAB代码 2.1版，2021年5月11日 电子邮件：iqiukp@outlook.com 主要特点 用于一类或二进制分类的SVDD模型 多种核函数（线性，高斯，多项式，S形，拉普拉斯函数） 可视化2D或3D数据的决策边界 使用贝叶斯优化，遗传算法和粒子群优化的参数优化 加权SVDD模型 告示 此版本的代码与低于R2016b的版本不兼容。 对于阳性样品，标签必须为1；对于阴性样品，标签必须为-1。 详细的应用程序请参见演示。 此代码仅供参考。 如何使用 01.香蕉形数据集 定义了一个名为DataSet的类，以生成和划分2D或3D香蕉形数据集。 [data, label] = DataSet.generate; [data, label

支持向量数据描述 (Support Vector Data Description, SVDD) 语言：MATLAB 版本：V2.1 ----------------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：iqiukp@outlook.com 可提供关于该算法/代码的付费咨询和有偿编写 ----------------------------------------------------- 主要特点 1. 支持单值分类和二值分类的超球体构建 2. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian) 3. 支持 2D 或 3D 数据的决策边界可视化 4. 支持基于贝叶斯超参数优化、遗传算法和粒子群算法的SVDD的参数优化 5. 支持加权的 SVDD ----------------------------------------------------- 注意 1. SVDD V2.1 仅支持 R2016b 以上的 MATLAB 版本 2. 正样本和负样本对应的标签分别为 1 和 -1 3. 提供了多个示例文件，每个文件的开头都有对应的介绍 4. 此代码仅供参考 5. 可以阅读“SVDD-V2.1使用说明.pdf”文件了解更多用法

SVDD（（Support Vector Data Description）即支持向量数据描述，其基本思想是通过在映射到高维的特征空间中找出一个包围目标样本点的超球体，并通过最小化该超球体所包围的体积让目标样本点尽 能地被包围在超球体中，而非目标样本点尽可能地排除在超球体中，从而达到两类之间划分的目的。该方法目标是求出能够包含正常数据样本的最小超球体的中心a和半径R。