直觉模糊支持向量机

《直觉模糊支持向量机》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要模糊支持向量机作为支持向量机的推广，它对于解决含有噪声点的样本的分类问题具有一定的优势，但模糊支持向量机在降低噪声点影响的同时也削弱了支持向量对分类超平面的贡献。针对这种情况，基于直觉模糊集和模糊支持向量机，本文构建了直觉模糊支持向量机并将其应用到两类或多类分类问题中去。本文通过直觉模糊化待测样本，确定处理后样本的隶属度和直觉指数，然后利用直觉模糊支持向量机进行分类。仿真实验结果表明，直觉模糊支持向量机与模糊支持向量机相比有更高的准确度。关键词模糊支持向量机隶属度直觉指数直觉模糊集直觉模糊支持向量机IA

2、bstractAbstractAstheextendingofSupportvectormachine,fuzzysupportvectormachine(FSVM)caneffectivelysolvetheclassificationofpointswhichincludethenoisepointsorisolatedpointsthatcanmakethesupportvectormachine(SVM)classifyerror,butfuzzysupportvectormachineweakened

3、supportvector’scontributionforclassificationhyperplanewhileitreducethenoisepointsinfluence.Inviewoftheabovesituation,baseonintuitionisticfuzzysetsandthefuzzysupportvectormachine,thispaperproposedtheintuitionisticfuzzysupportvectormachine(IFSVM)andextendtothe

4、muticlassification.Thisalgorithmintuitionisticfuzzythetrainingsample,makesurethemembershipandtheintuitionisticindexofthetrainingsample,andthenusingsupportvectormachinesclassifythesamples.Experimentsshowthat,theintuitionisticfuzzysupportvectormachineenhancecl

5、assificationaccuracyfurtherthanthefuzzysupportvectormachine.KeywordsFuzzysupportvectormachineMembershipTheintuitionisticindexIntuitionisticfuzzysetIntuitionisticfuzzysupportvectormachineII第1章绪论第1章绪论1.1模糊支持向量机及直觉模糊集的提出及研究现状[1]20世纪60年代，Vapnik等开始研究在有限样本下的机器学习规律

6、的理论，到90年代，有限样本下的机器学习理论不断完善，形成了比较完整的理论体系——统计学习理论(StatisticalLearningTheory,SLT)。统计学习理论为研究有限样本下的模式识别问题提供了理论基础，其核心内容主要包括学习过程一致性的条件、函数集的学习性能与[2]VC维、推广性的界和结构风险最小化原则等四个方面。[3]20世纪90年代中期，Vapnik等在统计学习理论的基础上提出了一种通用机器学习方法——支持向量机(SupportVectorMachine,SVM)。它基于统计学习理论，弥补了传

7、统机器学习方法以经验风险最小化原则为基础的不足，是统计学习理论中的结构风险最[4]小化思想在实际的体现。它较好地处理了小样本下的过学习问题，同时利用核函数，[5]将低维输入空间中的非线性问题转化为高维特征空间中的线性问题来解决。因此，支持向量机在很大程度上成功解决了模式识别领域中的许多问题。如，模型选择与过学习问题、非线性与维数灾难问题以及局部极小问题等。由于支持向量机出色的学习性能，[6]该技术已成为机器学习方法的研究热点，并在很多领域，如手写汉字识别、文章分类[7][8][9][10-11][12]、人脸检

8、测、语音信号处理及图像分类、三维物体识别、医疗诊断、经济[13]预警等问题，得到了成功的应用。支持向量机虽然作为一项新技术被广泛应用，但本身也存在这一定的局限性。其一，是SVM对孤立点和噪声点非常敏感。支持向量机在构造最优超平面时，所有训练样本在训练过程中被同等对待，而确定最优超平面的支持向量通常都位于样本空间的类别边缘附近，但是，训练样本中的噪声或孤立点通常也在类别边缘区域。支持向量