在錯誤診斷、人臉識別、入侵檢測、文本分類等領域，我們經(jīng)常會遇到單分類問題。以單分類支持向量機為代表的傳統(tǒng)單分類算法使用向量作為輸入數(shù)據(jù)，當輸入數(shù)據(jù)為張量時有一定的局限性。近年來，直接使用張量作為輸入數(shù)據(jù)的機器學習算法得到了研究者的廣泛關(guān)注，并取得了一定的成果，直接使用張量作為輸入數(shù)據(jù)，能夠有效地保持數(shù)據(jù)的結(jié)構(gòu)信息，從而能夠充分利用數(shù)據(jù)所蘊含的信息以提高識別效果；同時，以張量為輸入數(shù)據(jù)的相關(guān)模型和算法，可以有效地降低優(yōu)化問題中待求解的決策變量個數(shù)，從而可以避免傳統(tǒng)的向量模型在學習過程中容易出現(xiàn)的過擬合等問題，這使得張量算法尤其適合高維小樣本問題。因此，本書主要研究基于張量理論的單分類模型和算法，研究工作包括以下幾部分內(nèi)容：
　　1.線性單分類支持張量機模型。本書第2章從2階張量入手，給出基于2階張量的線性單分類支持張量機模型和算法，并在公開的向量數(shù)據(jù)集上進行了實驗。實驗的結(jié)果說明了所提算法能夠有效地提高對目標類的識別，并討論了參數(shù)v對張量分類器的作用。第2章還討論了將2階張量模型推廣至高階張量模型和算法，并討論了算法的計算復雜度。在向量數(shù)據(jù)集和張量數(shù)據(jù)集的實驗中，所提算法在保證分類器性能的情況下，均能大幅提高分類器對目標類的識別。
　　2.線性支持張量數(shù)據(jù)描述模型，作為單分類問題的另一經(jīng)典向量模型：支持向量數(shù)據(jù)描述模型，本書第3章將探討如何將向量模型推廣至張量空間模型。首先，從2階張量的線性數(shù)據(jù)描述模型入手，將支持向量數(shù)據(jù)描述模型推廣至2階張量空間，并最終推廣至高階張量模型。模型的求解依然基于交替投影思想，并給出了計算復雜度分析和收斂性證明，數(shù)據(jù)實驗采取高維小樣本的向量數(shù)據(jù)集，來展示張量算法對于高維小樣本數(shù)據(jù)的分類性能以及參數(shù)分析；并以人臉數(shù)據(jù)集和步態(tài)數(shù)據(jù)集來驗證所提算法在張量數(shù)據(jù)集的分類性能。
　　3.對于非線性可分問題，與傳統(tǒng)向量分類算法類似，核方法是一個很好的選擇，關(guān)于張量核方法的研究是近年來的一個熱點問題，也出現(xiàn)了一些張量空間的核函數(shù)，并取得了一定的理論和應用的突破，本書在第4章探討利用2階張量核矩陣簡單、易于計算的優(yōu)勢，將上述兩個線性單分類張量模型，推廣至非線性分類問題。為了驗證兩個新的非線性張量算法的分類性能，并重點關(guān)注張量模型在高維小樣本問題的分類性能、張量算法和向量算法在過擬合問題的表現(xiàn)，并最終給出將向量數(shù)據(jù)轉(zhuǎn)化為張量數(shù)據(jù)的基本原則，第4章最后還分析了兩種單分類張量算法的等價條件，數(shù)值實驗結(jié)果也驗證了在高斯核矩陣下，兩種算法的分類結(jié)果是一樣的。