欢迎来到天天文库
浏览记录
ID:53762542
大小:347.13 KB
页数:6页
时间:2020-04-24
《基于类向心度的模糊支持向量机-论文.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、CN43—1258/TP计算机工程与科学第36卷第8期2014年8月ISSN1OO7—13OXComputerEngineering&ScienceVo1.36,No.8,Aug.2014文章编号:1007—130X(2014)08—1623—06基于类向心度的模糊支持向量机许翠云,业宁(南京林业大学信息科学技术学院,江苏南京210037)摘要:传统支持向量机(SVM)训练含有噪声或野值点的数据时,容易产生过拟合,而模糊支持向量机可以有效地处理这种问题。针对使用样本与类中心之间的距离关系来构建模
2、糊支持向量机隶属度函数的不足,提出了一种基于类向心度的模糊支持向量机(CCD-FSVM)。该方法不仅考虑到样本与类中心之间的关系,还考虑到类中各个样本之间的联系,并用类向心度来表示。将类向心度应用于模糊隶属度函数的设计,能够很好地将有效样本与噪声、野值点样本区分开来,而且可以通过向心度的大小,对混合度比较高的样本进行区分,从而达到提高分类精度的效果。实验结果表明,基于类向心度的模糊支持向量机其分类正确率比支持向量机高,在使用三种不同隶属度函数的FSVM中,该方法的抗噪性能最好,分类性能最强。关键
3、词:模糊支持向量机;隶属度函数;类向心度中图分类号:TP391.3文献标志码:Adoi:10.3969/.issn.1007—130X.2014.08.035AnovelfuzzysupportvectormachinebasedontheclasscentripetaldegreeXUCui—yun,YENing(SchoolofInformationTechnology,NanjingForestryUniversity,Nanjing210037,China)Abstract:Thetra
4、ditionalsupportvectormachine(SVM)oftenfallsintoover-fittingwhenoutliersarecontainedinthetrainingdata.Thefuzzysupportvectormachinecaneffectivelydealwiththisprob—lem.Accordingtothedeficiencyofthemembershipfunctiondesignedbasedonthedistancebetweenasampl
5、eanditsclustercenter,anovelfuzzysupportvectormachinebasedontheclasscentripetaldegree(CCD—FSVM)iSproposed.Itcombinesthedistancebetweenasampleanditsclustercenterwiththere—lationshipbetweensamplesexpressedastheclasscentripetaldegree.Thisfunctioncaneffec
6、tivelysepa—ratethevalidsamplesfromthenoisesoroutliers.Besides,thesizeoftheclasscentripetaldegreecanre—flectthesamplesmixeddegree.Experimentalresultsshowthatthefuzzysupportvectormachinebasedontheclasscentripetaldegreeismorerobustthanthetraditionalsupp
7、ortvectormachine,anditoutper—formstheothertwoFSVMcounterpartswithdifferentmembershipfunctionsintermsofantinoiseandclassificationperformance.Keywords:fuzzysupportvectormachine;membershipfunction;classcentripetaldegreechines)是将结构风险最小化原则引入到分类的引言一种机器学习方法
8、,它基于统计学习理论,致力于在属性空间中构建最优分类超平面,从而获得分类支持向量机SVM(SupportVectorMa—器的全局最优解。SVM泛化能力强,能够较好地*收稿日期:2012-09—13;修回日期:2013-Ol一21基金项目:国家973计划资助项目(2012CBI14505);国家杰出青年计划资助项目(31125008);江苏省研究生创新基金资助项目(cL11o525,Cxz12一一o527);江苏省青蓝工程学术带头人;江苏省六大人才高峰(电子信息类).通信地址:210037江苏省
此文档下载收益归作者所有