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

1、支持向量機(jī)(Support Vector Machine，以下稱SVM)是在統(tǒng)計(jì)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(shí)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(duì)實(shí)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(shí)也吸引了國內(nèi)外學(xué)者對(duì)它在分類問題中的原理和應(yīng)用進(jìn)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(shí)世界中的數(shù)

2、據(jù)分類問題。在實(shí)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(jì)中，主要存在兩類潛在的影響。 第一，在實(shí)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(huì)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(shí)際數(shù)據(jù)中往往表現(xiàn)為一個(gè)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(shí)如何設(shè)計(jì)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(shí)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(diǎn)個(gè)數(shù)遠(yuǎn)遠(yuǎn)大于另一類數(shù)據(jù)點(diǎn)的現(xiàn)象。產(chǎn)生這一現(xiàn)象的原因是由于在現(xiàn)實(shí)生活中，一類事件發(fā)生的頻率往往遠(yuǎn)遠(yuǎn)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(huì)導(dǎo)致分界線的偏移。 為了減少實(shí)際數(shù)據(jù)中類別間相互作用以及噪聲的影響，

4、同時(shí)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(gè)改進(jìn)的模型即自調(diào)節(jié)模糊判決支持向量機(jī)。與傳統(tǒng)支持向量機(jī)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(cè)層，我們采用模糊判決函數(shù)替代了傳統(tǒng)的符號(hào)函數(shù)。另外在分類預(yù)測(cè)的過程中，通過計(jì)算支持向量的判決值，采用加權(quán)調(diào)和均值的方法計(jì)算得到一個(gè)準(zhǔn)確的偏移量參數(shù)。通過對(duì)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