دسته بند تک کلاسه مبتنی بر بردارهای پشتیبان برای داده های نویزی با استفاده از الگوریتم گروه میگوی آشوبی و تراکم محلی

هدف دسته بندی تک کلاسه، تشخیص و جداسازی داده های اصلی از داده های پرت است. دسته بند توصیف داده ها مبتنی بر بردار پشتیبان، یکی از روش های دسته بندی تک کلاسه است. این روش با تعریف ابرکره ای در فضای ویژگی ها، سعی بر پوشش داده های اصلی در فضای ابرکره دارد. سطح ابرکره، مرز جداساز داده های اصلی از داده های پرت است. تعیین شعاع و مرکز مناسب برای ابرکره در فضای ویژگی ها، یک مسئله بهینه سازی است. وجود داده های نویزی در مجموعه داده های اصلی و عدم توجه به تراکم داده ها در انتخاب مرکز، از چالش های روش فوق است که باعث ایجاد خطا در تعیین مرز ابرکره خواهند شد. یکی از هدف های دسته بند پیشنهادی (KH-SVDD) ، جستجوی مرکز مناسب برای ابرکره، با استفاده از الگوریتم بهینه سازی گروه میگوی آشوبی است. همچنین با استفاده از تراکم محلی نقاط داده ها، اهمیت و تاثیر نقاط بر مرز دسته بند، به صورت یک وزن محاسبه می شود. این وزن، پارامتری کمکی برای تشخیص داده های اصلی و نویزی است. برای ارزیابی روش پیشنهادی، آزمایش های متعددی بر روی مجموعه داده های واقعی انجام شده است. نتایج حاصل از آزمایش ها نشان دهنده عملکرد بهتر روش پیشنهادی از نظر تشخیص داده های نویزی در مقایسه با الگوریتم های مرز دانش است.