MATLAB一类分类工具：支持向量数据描述（SVDD）算法实现

资 源 简 介

本项目提供基于支持向量数据描述（SVDD）的MATLAB算法，专用于一类分类任务。它通过学习正常样本数据构建描述模型，有效识别异常或新样本，适用于无负样本场景下的数据建模与异常检测。

详 情 说 明

MatLab一类支持向量数据分类算法程序包

项目介绍

本项目提供了一个基于支持向量数据描述（SVDD）的MatLab算法实现，专门用于一类分类任务。该程序包能够对正常样本数据进行建模，学习数据的分布特征并构建决策边界，可广泛应用于异常检测、故障诊断、工业质检等领域。

功能特性

• 核心算法：实现完整的SVDD算法，包括支持向量自动识别和决策边界构建
• 核函数支持：提供线性、高斯、多项式等多种核函数选择
• 参数优化：集成交叉验证技术进行模型参数自动优化
• 数据处理：包含数据预处理与特征归一化功能
• 结果可视化：支持二维特征空间中的决策边界可视化展示
• 完整输出：提供分类标签、决策值、模型结构体等丰富输出信息

使用方法

数据准备

• 训练数据：N×D维矩阵，仅包含正常类别样本
• 测试数据：M×D维矩阵，包含待分类样本

参数设置（可选）

• 核函数类型：线性/高斯/多项式
• 正则化参数C
• 核函数特定参数（如高斯核的带宽参数）

执行流程

1. 加载训练数据和测试数据
2. 设置模型参数（可使用默认参数）
3. 调用主函数进行模型训练
4. 使用训练好的模型进行预测
5. 获取分类结果和决策值
6. 可视化决策边界（可选）

系统要求

• MatLab R2016b或更高版本
• 需要安装统计和机器学习工具箱
• 至少2GB可用内存（建议4GB以上）

文件说明

主程序文件实现了完整的SVDD分类流程，包括数据预处理、模型训练优化、支持向量识别、异常检测分类等核心功能。该文件整合了核函数映射、参数交叉验证、决策边界计算等关键技术模块，能够生成包含支持向量和决策半径的完整模型结构，并提供测试样本的分类标签和距离决策边界的量化指标。同时支持二维特征空间的决策边界可视化展示功能。