基于雙隸屬度判定的模糊支持向量機(jī)方法研究.pdf

1、支持向量機(jī)(SVM)是近幾年發(fā)展起來的主要用于解決分類問題的算法，由于其獨(dú)特的優(yōu)勢(shì)，已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域新的研究熱點(diǎn)。然而SVM仍然存在一些問題，其中對(duì)噪聲和野點(diǎn)的敏感性問題是阻礙SVM大規(guī)模應(yīng)用的主要原因之一。
　　本文針對(duì)這一缺陷，提出了一種基于緊密度的模糊支持向量機(jī)算法(FSVM)。定義了“緊密度”和“最優(yōu)半徑”這兩個(gè)概念，同時(shí)考察了它們之間的關(guān)系，并給出了確定“最優(yōu)半徑”的精確算法和近似算法。通過區(qū)分樣本在最優(yōu)半徑的內(nèi)外，

2、賦予不同樣本不同的隸屬度函數(shù)，將被噪聲污染的樣本與有效樣本進(jìn)行區(qū)分。同時(shí)本文給出了“雙向隸屬度”的公式，對(duì)每個(gè)訓(xùn)練樣本賦予正負(fù)兩種類別的隸屬度，借此來同時(shí)反映同類、異類樣本對(duì)該樣本隸屬度的影響。最后，依據(jù)雙向隸屬度分別給出了兩種模糊隸屬度的確定方式及相應(yīng)的FSVM模型。
　　MATLAB仿真實(shí)驗(yàn)證明，與傳統(tǒng)SVM方法及基于單項(xiàng)隸屬度的FSVM算法相比，本文提出的幾種模型對(duì)噪聲具有更好的抵抗能力，從而驗(yàn)證了本文提出算法的有效性。