模糊支持向量機(jī).pdf

1、支持向量機(jī)(Support vector machines，SVM)是Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種機(jī)器學(xué)習(xí)方法。它是建立在VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上的，利用核函數(shù)把非線性可分?jǐn)?shù)據(jù)映射到高維特征空間，使其在高維特征空間中線性可分。同時(shí)，利用核函數(shù)計(jì)算內(nèi)積可避免“維數(shù)災(zāi)難”。由于支持向量機(jī)具有較好的泛化性和學(xué)習(xí)性能，該技術(shù)已成為機(jī)器學(xué)習(xí)的研究熱點(diǎn)，并在很多領(lǐng)域得到成功應(yīng)用，如模式識(shí)別、圖像分類、預(yù)測(cè)等方面。 但是

2、，作為一種尚未成熟的新技術(shù)，支持向量機(jī)目前存在著許多局限?？陀^世界存在大量的模糊信息，如果支持向量機(jī)的訓(xùn)練集中含有噪聲或野點(diǎn)時(shí)，這些含有“異常”信息的樣本在特征空間中常常位于分類面附近，導(dǎo)致獲得的分類面不是真正的最優(yōu)分類面。針對(duì)這種情況，臺(tái)灣學(xué)者Lin等提出了模糊支持向量機(jī)(Fuzzy support vector machines，F(xiàn)SVM)，根據(jù)不同輸入樣本對(duì)分類的貢獻(xiàn)不同，賦予不同的隸屬度，將噪聲或野點(diǎn)與有效樣本區(qū)分開。雖然FSV

3、M對(duì)傳統(tǒng)的支持向量機(jī)有所改善，但隸屬度函數(shù)的確定是FSVM方法的難點(diǎn)。 目前，沒有統(tǒng)一的確定模糊隸屬度函數(shù)的方法，本文提出一種基于線性規(guī)劃的一類分類算法確定隸屬度，這樣確定的隸屬度，即考慮到樣本到類中心的距離，又考慮到樣本屬于該類程度的大小，從而提高分類效果。本文首先對(duì)支持向量機(jī)的構(gòu)造原理和基礎(chǔ)理論進(jìn)行分析和研究。其次，對(duì)目前幾種模糊支持向量機(jī)隸屬度的確定方法進(jìn)行論述，并在此基礎(chǔ)上提出一種基于線性規(guī)劃的一類分類算法確定隸屬度。最