基于新隸屬函數(shù)的模糊支持向量機研究.pdf

1、支持向量機是統(tǒng)計學家Vapnik根據(jù)統(tǒng)計學習理論提出的一種新的學習方法，其最大特點是根據(jù)結(jié)構(gòu)風險最小化準則，有效地避免了過學習、維數(shù)災(zāi)難和局部極小等傳統(tǒng)分類中存在的問題，在小樣本條件下仍然具有良好的泛化能力，受到了廣泛的關(guān)注。
　　本文首先總結(jié)和介紹了支持向量機的數(shù)學模型。通過兩組已知分類的樣本數(shù)據(jù)，找到一個最優(yōu)的超平面，使得兩組樣本數(shù)據(jù)最大程度的分開。為解決這一優(yōu)化問題，建立了一個二次規(guī)劃，通過帶入樣本進行訓練和求解，得到?jīng)Q策函

2、數(shù)。待分類的樣本可以通過決策函數(shù)歸類。若在上述模型中，引入模糊隸屬度的概念，即形成了帶有模糊信息的模糊支持向量機。
　　在模糊支持向量機中，隸屬函數(shù)有著很重要的地位，一定程度上決定了該算法的優(yōu)劣。支持向量一般都位于每個類的邊緣，而且對于最優(yōu)超平面的確定有著重要作用。根據(jù)這一特點，本文提出了一種新的隸屬函數(shù)，同時考慮了距離和角度的概念，使得越接近類邊緣和類中心向量的樣本數(shù)據(jù)所擁有的隸屬度越大。并且基于這一理念，調(diào)整了樣本數(shù)據(jù)預(yù)處理的