SVDD通常用于故障检测。例如论文[1]。
主要思想[2]：
SVDD的主要思想是：首先，通过非线性映射将原始训练样本x，映射到高维的特征空间；然后，在特征空间中寻找一个包含全部或大部分被映射到特征空间的训练样本且体积最小的超球体(最优超球体)；最后，通过非线性映射，如果新样本点在特征空间中的像落入最优超球体内，则该样本被视为一个正常点；否则，如果新样本在特征空间中的像落入到最优超球体外，则该新样本被视为一个异常点。最优超球体由其球心和半径决定。
另一通俗易懂的讲解见[3]
[1] J. Yu and X. Yan, "Layer-by-Layer Enhancement Strategy of Favorable Features of the Deep Belief Network for Industrial Process Monitoring," Industrial & Engineering Chemistry Research, vol. 57, no. 45, pp. 15479-15490, 2018.
[2] 百度百科：https://baike.baidu.com/item/%E6%94%AF%E6%8C%81%E5%90%91%E9%87%8F%E6%95%B0%E6%8D%AE%E6%8F%8F%E8%BF%B0/21508672
[3] CSDN：https://blog.csdn.net/qq_22641333/article/details/64919161
关于机器学习、算法、Python、计算机等更多内容，请关注微信公众号：
学无止境也
