模糊支持向量機的相關技術研究.pdf

1、本文針對支持向量機(SVMs，SupportVectorMachines)中的過學習、不可分區(qū)域、過長的訓練時間等問題，提出4類改進的模糊支持向量機(FSVMs，F(xiàn)uzzySupportVectorMachines)。 1.基于λ-截集的FSVMs。這類學習機將FSVMs與模糊理論相結(jié)合，提取訓練集中的少部分樣本，形成少訓練樣本集，構造基于這種少訓練樣本集上的FSVMs。首先選取每類樣本集的中心，利用樣本與其類中心的距離定義隸屬

2、函數(shù)。該隸屬函數(shù)將每類數(shù)據(jù)映射到一個超球體內(nèi)，這樣訓練集成為一個模糊集，每一個樣本是一個三元組，包括樣本的特征、樣本的類別屬性、樣本的隸屬度；其次，選取一個合適的參數(shù)λ，利用λ-截集選取特征向量，利用特征向量構造FSVMs；第三，利用有向無環(huán)圖決策機制，將該類學習機推廣到多類問題。 2.基于線性聚類的FSVMs。該類學習機利用線性聚類，提取距分類超平面較近的樣本構造改進的學習機。首先選取訓練集中最典型的一些樣本，構造一個粗糙SV

3、Ms的分類超平面，用樣本與這個超平面的相對距離定義隸屬函數(shù)，將所有的訓練樣本都映射到一個帶形區(qū)域；其次，選取合適的聚類參數(shù)λ，縮小這個帶形區(qū)域，將離粗糙超平面比較近的數(shù)據(jù)映射到這個小的帶形區(qū)域，用這個小的帶形區(qū)域中的數(shù)據(jù)構造FSVMs；第三，利用1-對-1決策機制，將該類學習機推廣到多類問題。 3.基于球形區(qū)域的FSVMs。該類學習機也是在少訓練樣本集上構造的。首先，在所有訓練樣本的基礎上，選取訓練集的中心，考慮兩類樣本的不平衡

4、性，定義該中心為兩類中心的中心；其次，在每類訓練樣本中，利用樣本與中心的相對距離定義隸屬度；選取參數(shù)，截取少訓練樣本集，在少訓練樣本集上構造FSVMs。 4.基于聚類的FSVMs。許多聚類技術可以用SVMs。該類學習機利用模糊C-均值聚類技術，將每類訓練集劃分為若干個子集，這些子集由相似樣本組成的。利用聚類中心組成少訓練樣本集，并用于構造FSVMs。在聚類時，由于位于類邊緣的稀疏性，可通過選擇合適的聚類參數(shù)，使這些稀疏數(shù)據(jù)獨立成