本文關(guān)鍵詞： 數(shù)據(jù)挖掘 分類(lèi)算法 模糊支持向量機(jī) 粒子群優(yōu)化　出處：《蘭州理工大學(xué)學(xué)報(bào)》2017年05期 　論文類(lèi)型：期刊論文

【摘要】：針對(duì)模糊支持向量機(jī)(FSVM)應(yīng)用于數(shù)據(jù)挖掘分類(lèi)中存在對(duì)大樣本集訓(xùn)練速度及分類(lèi)速度慢的缺點(diǎn),提出一種改進(jìn)的數(shù)據(jù)挖掘模糊支持向量機(jī)分類(lèi)算法.該算法首先預(yù)選有效的候選支持向量縮減訓(xùn)練樣本集的規(guī)模提高訓(xùn)練速度;其次提出一種新的模糊隸屬度函數(shù),增強(qiáng)支持向量對(duì)構(gòu)建模糊支持向量機(jī)最優(yōu)分類(lèi)超平面的作用,并用經(jīng)過(guò)預(yù)選的訓(xùn)練樣本集進(jìn)行訓(xùn)練FSVM得到支持向量集;最后,運(yùn)用粒子群優(yōu)化算法選擇最優(yōu)支持向量子集,使用平均分類(lèi)誤差作為適應(yīng)度函數(shù),最終粒子輸出時(shí),將樣本隸屬度與設(shè)定閾值相比較,選擇出支持向量集中相對(duì)較大隸屬度的樣本作為新的支持向量,提高分類(lèi)速度.實(shí)驗(yàn)結(jié)果表明,該算法在不損失分類(lèi)精度的情況下,提高了模糊支持向量機(jī)的訓(xùn)練速度和分類(lèi)速度.
[Abstract]:For fuzzy support vector machine (FSVM) application in data mining classification there are shortcomings of slow training speed and classification speed for large sample set. An improved fuzzy support vector machine (FSVM) classification algorithm for data mining is proposed. Firstly, an effective candidate support vector reduction training sample set is pre-selected to improve the training speed. Secondly, a new fuzzy membership function is proposed to enhance the function of support vector to construct the optimal classification hyperplane of fuzzy support vector machine. The support vector set is obtained by training FSVM with pre-selected training sample set. Finally, the particle swarm optimization algorithm is used to select the optimal support vector subset, and the average classification error is used as the fitness function. When the final particle output, the sample membership degree is compared with the set threshold. In order to improve the classification speed, the new support vector with relatively large membership degree in the support vector set is selected. The experimental results show that the algorithm does not lose the classification accuracy. The training speed and classification speed of fuzzy support vector machine are improved.
【作者單位】： 蘭州理工大學(xué)電氣工程與信息工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(51265032)
【分類(lèi)號(hào)】：TP18;TP311.13
【正文快照】： 數(shù)據(jù)挖掘中,分類(lèi)是一個(gè)重要的研究方向,它可以描述數(shù)據(jù)的類(lèi)模型,也可以預(yù)測(cè)未來(lái)的趨勢(shì).分類(lèi)的目的是根據(jù)數(shù)據(jù)集的特點(diǎn)構(gòu)造一個(gè)分類(lèi)函數(shù)或分類(lèi)模型,該模型可以將未知類(lèi)別的樣本映射到給定類(lèi)別的某一種.現(xiàn)有的分類(lèi)算法主要有決策樹(shù)方法、支持向量機(jī)方法(SVM)、k最近鄰方法、基于

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬永軍,李孝忠,王希雷;基于模糊支持向量機(jī)和核方法的目標(biāo)檢測(cè)方法研究[J];天津科技大學(xué)學(xué)報(bào);2005年03期

2 余錦華;汪源源;陳萍;;基于模糊支持向量機(jī)預(yù)測(cè)胎重的方法研究與比較[J];儀器儀表學(xué)報(bào);2008年11期

3 張桂香;費(fèi)嵐;杜U，

本文編號(hào)：1482094