模糊支持向量機.pdf

1、支持向量機(Support vector machines，SVM)是Vapnik等人根據(jù)統(tǒng)計學習理論提出的一種機器學習方法。它是建立在VC維和結構風險最小化原則基礎上的，利用核函數(shù)把非線性可分數(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，利用核函數(shù)計算內(nèi)積可避免“維數(shù)災難”。由于支持向量機具有較好的泛化性和學習性能，該技術已成為機器學習的研究熱點，并在很多領域得到成功應用，如模式識別、圖像分類、預測等方面。 但是

2、，作為一種尚未成熟的新技術，支持向量機目前存在著許多局限?？陀^世界存在大量的模糊信息，如果支持向量機的訓練集中含有噪聲或野點時，這些含有“異?！毙畔⒌臉颖驹谔卣骺臻g中常常位于分類面附近，導致獲得的分類面不是真正的最優(yōu)分類面。針對這種情況，臺灣學者Lin等提出了模糊支持向量機(Fuzzy support vector machines，F(xiàn)SVM)，根據(jù)不同輸入樣本對分類的貢獻不同，賦予不同的隸屬度，將噪聲或野點與有效樣本區(qū)分開。雖然FSV

3、M對傳統(tǒng)的支持向量機有所改善，但隸屬度函數(shù)的確定是FSVM方法的難點。 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。本文首先對支持向量機的構造原理和基礎理論進行分析和研究。其次，對目前幾種模糊支持向量機隸屬度的確定方法進行論述，并在此基礎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