自調(diào)節(jié)模糊判決支持向量機的理論與應(yīng)用.pdf

1、支持向量機(Support Vector Machine，以下稱SVM)是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的新一代學(xué)習(xí)算法，有著通用的前饋網(wǎng)絡(luò)結(jié)構(gòu)。它在文本分類、手寫識別、圖像分類、生物信息學(xué)等領(lǐng)域都獲得了較好的應(yīng)用。尤其是近年來，在對實際數(shù)據(jù)的分類研究中，SVM作為一種新型的有效方法受到了廣泛的關(guān)注。同時也吸引了國內(nèi)外學(xué)者對它在分類問題中的原理和應(yīng)用進行了深入研究。 本文中，我們也同樣著眼于利用SVM的良好特性解決現(xiàn)實世界中的數(shù)

2、據(jù)分類問題。在實際的分類問題中，數(shù)據(jù)集在數(shù)據(jù)空間通常并不是理想化的，因此在分類器的設(shè)計中，主要存在兩類潛在的影響。 第一，在實際分類數(shù)據(jù)的不同類別間，往往存在著相互作用和各種不同的噪聲。受其影響，分類數(shù)據(jù)中往往會出現(xiàn)偏差和混疊的現(xiàn)象，尤其在理論分界面的周圍，這種現(xiàn)象更加明顯。換句話說，由于分類問題中不同類別的相互影響以及噪聲的存在，本來應(yīng)該清晰的分界超平面在實際數(shù)據(jù)中往往表現(xiàn)為一個不易劃分的灰色地帶。正是由于這一灰色地帶的存在，

3、數(shù)據(jù)的正確分類變得更加困難，同時如何設(shè)計分類器以獲得最佳分類效果也成為我們重要的研究課題。 第二，在實際應(yīng)用中，數(shù)據(jù)的不均衡問題也普遍存在。此處，不均衡指的是在分類問題中，一類數(shù)據(jù)的數(shù)據(jù)點個數(shù)遠遠大于另一類數(shù)據(jù)點的現(xiàn)象。產(chǎn)生這一現(xiàn)象的原因是由于在現(xiàn)實生活中，一類事件發(fā)生的頻率往往遠遠大于與它相反的事件所發(fā)生的頻率。在傳統(tǒng)的SVM模型中，這種不均衡的情況會導(dǎo)致分界線的偏移。 為了減少實際數(shù)據(jù)中類別間相互作用以及噪聲的影響，

4、同時克服數(shù)據(jù)不均衡所導(dǎo)致的分界面偏移，我們提出了一個改進的模型即自調(diào)節(jié)模糊判決支持向量機。與傳統(tǒng)支持向量機分類模型不同的是，在新的模型中我們引入了模糊理論來構(gòu)建分界面。 在分類過程中的預(yù)測層，我們采用模糊判決函數(shù)替代了傳統(tǒng)的符號函數(shù)。另外在分類預(yù)測的過程中，通過計算支持向量的判決值，采用加權(quán)調(diào)和均值的方法計算得到一個準(zhǔn)確的偏移量參數(shù)。通過對這一偏移量參數(shù)的引入，分界面得以修正至最優(yōu)的位置。 由于我們所提出的分類模型能夠很