هومن کاشانیان - دانشگاه آزاد اسلامی فردوس، ایران
فاطمه شبیری - دانشگاه آزاد اسلامی فردوس، ایران
محسن پرهیزگار - دانشگاه آزاد اسلامی فردوس، ایران
الهام دهقان نیری - دانشگاه آزاد اسلامی فردوس، ایران

امروزه مسئله کلاس بندی تک کلاسه کاربرد بسیار وسیعی در تفکیک یک نوع خاص داده با کل داده های پیرامونش پیدا نموده است.یکی از روش های مهم در این زمینه توصیف داده بردار پشتیبانی (SVDD) است. SVDD فقط از نمونه های مثبت استفاده میکند تا به دستگاه محاسب و پیشبینی کننده بیاموزد که آیا یک نمونه مثبت است یا منفی. زمانی که کسری از نمونه های منفی موجود باشد، انتظار می رود که عملکرد SVDD بهبود یابد. SVDD-neg در بعضی موارد یعنی زمانی که نمونه های منفی وجود دارند، از SVDD بدتر می شود. SVM معمولی، معمولا از تعداد زیادی بردار پشتیبان ناشی می شود، چرا که تمام نمونه های آموزش در طرف اشتباه از حاشیه خود به بردار پشتیبان تبدیل می شوند و متغیرها لغزان آن نمونه ها را بر روی مرزهایشان می کشند. با این حال، روش پیشنهادی بطور قابل توجهی تعداد بردارهای پشتیبان را کاهش میدهد چرا که تنها تعداد کمی از نمونه های آموزشی در طرف اشتباه از حاشیه شان را بر روی مرزها برای تبدیل به بردار پشتیبان میکشند. در این مقاله، یک الگوریتم جدید "SVM-SVDD" ارائه شده است که در آن هم ماشین بردار پشتیبان بهبود یافته و SVDD برای حل مسئلهتوصیف داده با نمونههای منفی استفاده شده است. نتایج آزمایشی نشان میدهد که SVM-SVDD از SVDD-neg هم از جهت زمان آموزش و هم از نظر صحت و دقت بهتر میباشد

ماشین بردار پشتیبان، توصیف داده بردار پشتیبان، مسئله تک کلاسه