单分类(One-Class Classification)算法旨在建立针对目标数据的分类模型,学习目标数据的特征并得到识别模型,用来检测异常样本。它在许多应用场景有着优越的性能,如异常检测、不均衡数据集分类识别等。代表性的单分类算法主要有支撑向量机单分类算法(OC-SVM),支撑向量数据描述(SVDD),朴素帕森密度估计(Naive Parzen density estimation),自编码器(Autoencoder)等。但现有的单分类算法,在复杂或高维大数据集等分类场景中性能较差。因此,如何提升现有单分类算法的性能以便于为将来的实际应用提供可能性,是亟待解决的问题。近年来,由于基于超限学习机单分类算法(One-Class Extreme Learning Machine,OC-ELM)的优异性能。本文深入研究了OC-ELM并对其进行改进,论文的创新主要围绕提升单分类器对复杂数据集的表征能力,模型泛化能力以及抗干扰噪声能力等方面展开。主要工作和成果如下:1.针对浅层网络对复杂或高维大数据集表征能力不足的缺点,构建基于多层堆叠自编码器的深度神经网络模型。同时为了加快学习速度,采用基于超限学习机的自编码器(ELM-AE)并提出了多层随机神经网络单分类算法(ML-OCELM)。采用13种UCI数据集和11类城市噪声数据集进行实验论证,结果表明,相比于OC-ELM,所提出的ML-OCELM能有效提升模型的异常检测性能。2.为了提升上述1中所提出的ML-OCELM算法的泛化性能和学习效率,并减小模型的重构误差。本文进一步提出了基于核学习的多层随机神经网络单分类算法(MK-OCELM)。通过引入核函数来完成原始数据在高维空间中的内积计算。3.为了提升传统ELM算法抗非高斯噪声的能力,本文进一步提出了基于最大相关熵(MCC)的单层和多层随机神经网络单分类算法(MC-OCELM和HC-OCELM)。通过采用MCC准则取代MSE准则来重新构建OC-ELM和ML-OCELM的损失函数,提升了算法的鲁棒性。4.为了进一步提升上述3中MC-OCELM和HC-OCELM算法的灵活性和鲁棒性,本文进一步提出了基于可变中心的最大相关熵单分类算法(MC-OCELM-VC和HC-OCELM-VC)。通过采用可变中心的高斯核函数来代替原始相关熵中的基于零均值高斯核函数,来更好的匹配实际中的数据误差分布情况。5.不同于上述4中的方法,本文接着从另一个角度提升了MC-OCELM和HCOCELM算法的灵活性和鲁棒性,提出了基于最大混合相关熵的单分类算法(MMCOCELM和HMC-OCELM)。原始的相关熵中,仅仅采用了一个高斯核函数。而MMCOCELM和HMC-OCELM中通过仿射变化组合多个核函数来替代原始的单一核函数,从而提高算法的性能。