●前言
符號說明
第1章緒論
1.1兩類分類
1.1.1例子(蠓蟲分類)
1.1.2兩類分類問題
1.2多類分類
1.2.1例子(鳶尾屬植物分類)
1.2.2多類分類問題
1.3單類分類
1.3.1例子(Square數據集)
1.3.2單類分類問題
1.3.3單類分類方法的分類
參考文獻
第2章單類分類器
2.1基於密度估計的單類分類器
2.1.1Parzen窗密度估計
2.1.2K近鄰
2.1.3高斯密度估計
2.1.4高斯混合模型
2.2基於神經網絡的單類分類器
2.2.1自聯想神經網絡
2.2.2徑向基函數神經網絡
2.2.3自組織映射神經網絡
2.2.4極限學習機
2.3基於聚類的單類分類器
2.3.1K均值
2.3.2模糊c均值
2.3.3水平集法
2.4基於支持域的單類分類器
2.4.1單類支持向量機
2.4.2支持向量數據描述
2.4.3核主成分分析
參考文獻
第3章單類分類的維數約簡
3.1特征選擇
3.1.1SVDD半徑遞歸特征消除法
3.1.2SVDD對偶目標遞歸特征消除法
3.1.3過濾式特征選擇
3.2特征提取
3.2.1主成分分析
3.2.2線性判別分析
3.2.3局部保持投影
3.3基於正則化相關熵的異常檢測特征提取
3.3.1相關工作
3.3.2數學模型
3.3.3算法描述
3.3.4實驗結果
3.4基於模擬退火的SVDD特征提取和參數選擇
3.4.1模擬退火
3.4.2SA-SVDD
3.4.3實驗結果
參考文獻
第4章基於核的單類分類器
4.1魯棒的光滑單類支持向量機
4.1.1相關工作
4.1.2數學模型
4.1.3實驗結果
4.2基於局部相關保留的單類支持向量機
4.2.1相關工作
4.2.2數學模型
4.2.3算法描述
4.2.4實驗結果
4.3局部保留加權單類支持向量機
4.3.1數學模型
4.3.2算法描述
4.3.3實驗結果
4.4自適應加權單類支持向量機
4.4.1相關工作
4.4.2數學模型
4.4.3算法描述
4.4.4實驗結果
4.5基於可縮放hinge損失函數的魯棒單類支持向量機
4.5.1數學模型
4.5.2算法描述
4.5.3魯棒單類支持向量機的泛化性能和魯棒性
4.5.4實驗結果
4.6基於截斷l1範數的魯棒最小二乘單類支持向量機
4.6.1相關工作
4.6.2數學模型
4.6.3算法描述
4.6.4實驗結果
4.7基於樣本選取和加權KPCA-l1的異常檢測
4.7.1相關工作
4.7.2構造過程
4.7.3實驗結果
4.8基於核學習向量量化的異常檢測
4.8.1LVQ和KLVQ
4.8.2重新表示的KLVQ
4.8.3實驗結果
4.9基於SOM和局部最小包圍球的異常檢測
4.9.1基於SOM和LVQ的異常檢測器
4.9.2基於SOM和局部最小包圍球的異常檢測器
4.9.3實驗結果
參考文獻
第5章單類分類器集成
5.1基於旋轉的單類支持向量機集成
5.1.1構造過程
5.1.2算法實現
5.1.3實驗結果
5.2基於改進AdaBoost的單類支持向量機集成
5.2.1AdaBoost集成方法的發展
5.2.2改進的AdaBoost集成方法
5.2.3實驗結果
5.2.4圖像檢索
5.3基於魯棒AdaBoost的單類支持向量機集成
5.3.1數學模型
5.3.2算法描述
5.3.3經驗誤差界和泛化誤差界
5.3.4實驗結果
5.4基於Renyi熵多樣性度量的SVDD選擇性集成
5.4.1Renyi熵
5.4.2SVDD的選擇性集成
5.4.3實驗結果
5.5基於相關熵和距離方差的SVDD選擇性集成
5.5.1相關工作
5.5.2數學模型
5.5.3算法描述
5.5.4實驗結果
參考文獻
第6章基於深度學習的單類分類器
6.1基於雙判別器生成式對抗網絡的異常檢測方法
6.1.1生成式對抗網絡
6.1.2D2GANND
6.1.3實驗結果
6.2基於非凸正則化項的堆棧魯棒稀疏自編碼器
6.2.1預備知識
6.2.2基於T-l1範數和l2,1範數組合正則化項的魯棒稀疏自編碼器
6.2.3基於堆棧魯棒稀疏自編碼器的單類分類器集成
6.2.4實驗結果
參考文獻
索引

單類分類廣泛地存在於入侵檢測、故障診斷等實際應用領域中，它能有效解決僅有一類樣本用於訓練分類器的問題和類別特別不平衡的問題。本書簡要介紹了四類常用的單類分類器，重點介紹了基於信息理論學習的單類分類特征提取、魯棒單類分類器和單類分類器集成，主要包括基於正則化相關熵的異常檢測特征提取、基於可縮放hinge損失函數的魯棒單類支持向量機、基於魯棒AdaBoost的單類支持向量機集成、基於Renyi熵多樣性度量的SVDD選擇性集成。另外，本書還介紹了基於深度學習的異常檢測方法，並以基於支持域的單類分類器為基礎，較繫統地討論了單類分類的主要問題。本書可作為應用數學、計算機科學與技術、自動化等專業高年級本科生和研究生的教材或教學參考書，也可供相關領域的科研人員和工程技術人員閱讀參考。