支持向量数据描述是一种基于支持向量机的数据描述算法,这种有监督的单分类算法在异常行为检测、图像分类和机器故障检测等领域都有着重要的应用价值。然而,支持向量数据描述在数据集分布不均衡、样本特征维数较小时存在正确率较低和训练得到的超球体半径较大等问题,并且无法直接处理多类别分类问题。为解决上述问题,本文开展基于极限学习特征空间的多类别支持向量数据描述方法研究。首先,详细讨论了支持向量机、支持向量数据描述和极限学习机算法的思想及其优缺点。极限学习机是一种新型的快速学习算法,只要隐层节点数足够大,就能得到很好的分类效果,为改进支持向量数据描述算法提供了基础。其次,针对支持向量数据描述正确率较低的问题,提出了一种基于极限学习特征空间的支持向量数据描述算法。该算法在训练时,首先将低维空间原始输入数据映射到高维极限学习特征空间,然后对映射后的数据作支持向量数据描述,得到超球体,再将映射后的所有数据作为测试样本进行检测。仿真实验表明,在选择合适的隐层输出函数和隐层节点参数时,所提的方法能较为有效地提高支持向量数据描述算法的正确率,并缩小其划分超球体的半径。最后,为了将支持向量数据描述扩展到多类别分类问题,同时保留其异常检测的能力,提出了一种多分类支持向量数据描述算法。首先用数据集的每类数据作支持向量数据描述,得到对应类别的超球体,然后通过比较测试样本与各个超球体球心的距离和超球体半径的大小来识别该测试样本的分类类别,包括正确类、错误类、不确定类或类外类等。为了进一步提高多分类支持向量数据描述算法的正确率,同时降低误分率、类外率和不确定率,通过对输入数据作特征映射、对不确定类样本二次分类以及对训练的超球体扩大半径等策略,对该分类算法进行了改进。仿真实验表明,通过合理选择参数,改进的多分类支持向量数据描述算法可以较好地解决多分类问题。