支持向量機(jī)（Support Vector Machine,SVM）作為一種優(yōu)良的機(jī)器學(xué)習(xí)算法,已被人們大量應(yīng)用于工業(yè)生產(chǎn)、生活應(yīng)用當(dāng)中。但是,SVM存在著不能處理帶有模糊信息、以及對(duì)噪聲敏感的特性,因此學(xué)者們期望通過引入模糊支持向量機(jī)（Fuzzy Support Vector Machine,FSVM）來解決以上問題。FSVM對(duì)SVM的改進(jìn)是通過對(duì)樣本數(shù)據(jù)集特性的分析得到隸屬度函數(shù)（Membership Function,MBSF）,通過MBSF為每個(gè)樣本賦予隸屬度（Membership,MBS）。因此FSVM算法的核心在于如何構(gòu)造良好的MBSF。根據(jù)MBSF構(gòu)造的不同學(xué)者們提出大體可分為兩類FSVM模型:基于樣本和和類中心距離（Distance between Sample and Class Center,DSC）設(shè)計(jì) MBSF 的 FSVM 和基于樣本和類中心超平面距離（Distance Between Sample and Class Center Hyperplane,DSCH）設(shè)計(jì) MBSF的FSVM。基于DSC設(shè)計(jì)MlBS的FSVM作為最先提出的算法以其簡(jiǎn)單易于操作的特點(diǎn)... 

【文章來源】：安徽理工大學(xué)安徽省

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．２核函數(shù)??Ｆｉｇ?２．２?Ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ??在高維空間中可以通過使用線性分類算法，但是我們需要將二次規(guī)劃問題中的ｘ，＂＇使??

比如對(duì)類中心而言應(yīng)該是樣本的平均值［４７Ｍ，若做一個(gè)與分類超平面平行且過這個(gè)類中心??的平面那么樣本應(yīng)在這個(gè)超平面的附近均勻分布。但是，核函數(shù)參數(shù)選取不當(dāng)可能會(huì)使得??樣本在超平面附近處于極度不均勻的情況，甚至樣本只在超平面的一側(cè)分布，如圖３．２所??示。這樣勢(shì)必會(huì)影響ＦＳＶＭ的分類效果。因此，我們需要通過選取合適的核函數(shù)以及良好??的算法來避免這種分布不均勻的情況。??｜?▲▲▲／／？？?｜??▲?〇１?／?＾??｜?▲▲／？？？?｜??圖３．２核參數(shù)對(duì)樣本空間分布影響示意圖??Ｆｉｇ?３．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｎｕｃｌｅａｒ?ｐａｒａｍｅｔｅｒｓ?ｏｎ?ｔｈｅ?ｓｐａｔｉａｌ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ??ｓａｍｐｌｅｓ??２．在構(gòu)造最小超球時(shí)，一般將使用樣本到類中心最遠(yuǎn)距離的樣本點(diǎn)作為得到最小超球??的半徑，而在構(gòu)造ＭＢＳＦ時(shí)，這個(gè)半徑又將作為分母直接參與到運(yùn)算，若是這個(gè)分母過大??或者過小都會(huì)使的樣本的整體ＭＢＳ偏大或偏小也會(huì)影響分類超平面的構(gòu)造，從而影響分??類效率。比如，如果存在著一個(gè)樣本點(diǎn)距離類中心距離遠(yuǎn)比“正�！睒颖军c(diǎn)到類中心距離大，??那么我們理論上可以認(rèn)為該樣本點(diǎn)可能為噪聲或野值點(diǎn)，但是，如果我們直接將這個(gè)樣本??到類中心距離作為最小超球的半徑就會(huì)出現(xiàn)超球半徑過大，從而導(dǎo)致樣本整體ＭＢＳ偏小??的問題

比如對(duì)類中心而言應(yīng)該是樣本的平均值［４７Ｍ，若做一個(gè)與分類超平面平行且過這個(gè)類中心??的平面那么樣本應(yīng)在這個(gè)超平面的附近均勻分布。但是，核函數(shù)參數(shù)選取不當(dāng)可能會(huì)使得??樣本在超平面附近處于極度不均勻的情況，甚至樣本只在超平面的一側(cè)分布，如圖３．２所??示。這樣勢(shì)必會(huì)影響ＦＳＶＭ的分類效果。因此，我們需要通過選取合適的核函數(shù)以及良好??的算法來避免這種分布不均勻的情況。??｜?▲▲▲／／？？?｜??▲?〇１?／?＾??｜?▲▲／？？？?｜??圖３．２核參數(shù)對(duì)樣本空間分布影響示意圖??Ｆｉｇ?３．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｎｕｃｌｅａｒ?ｐａｒａｍｅｔｅｒｓ?ｏｎ?ｔｈｅ?ｓｐａｔｉａｌ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ??ｓａｍｐｌｅｓ??２．在構(gòu)造最小超球時(shí)，一般將使用樣本到類中心最遠(yuǎn)距離的樣本點(diǎn)作為得到最小超球??的半徑，而在構(gòu)造ＭＢＳＦ時(shí)，這個(gè)半徑又將作為分母直接參與到運(yùn)算，若是這個(gè)分母過大??或者過小都會(huì)使的樣本的整體ＭＢＳ偏大或偏小也會(huì)影響分類超平面的構(gòu)造，從而影響分??類效率。比如，如果存在著一個(gè)樣本點(diǎn)距離類中心距離遠(yuǎn)比“正常”樣本點(diǎn)到類中心距離大，??那么我們理論上可以認(rèn)為該樣本點(diǎn)可能為噪聲或野值點(diǎn)，但是，如果我們直接將這個(gè)樣本??到類中心距離作為最小超球的半徑就會(huì)出現(xiàn)超球半徑過大，從而導(dǎo)致樣本整體ＭＢＳ偏小??的問題

【參考文獻(xiàn)】：
期刊論文
[1]基于局部二進(jìn)制和支持向量機(jī)的手寫體數(shù)字識(shí)別[J]. 郭偉林,鄧洪敏,石雨鑫.  計(jì)算機(jī)應(yīng)用. 2018(S2)
[2]基于壓縮K近鄰邊界向量的支持向量預(yù)抽取算法[J]. 王石,蔣寧寧,楊舒卉.  海軍工程大學(xué)學(xué)報(bào). 2018(06)
[3]基于聚類標(biāo)簽均值的半監(jiān)督支持向量機(jī)[J]. 田勛,汪西莉.  計(jì)算機(jī)工程與科學(xué). 2018(12)
[4]基于模糊信息�；椭С窒蛄繖C(jī)的股票價(jià)格回歸預(yù)測(cè)[J]. 鄭明,李娌芝,官心果,楊柱元.  云南民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[5]改進(jìn)的FSVM算法用于非平衡情感數(shù)據(jù)分類[J]. 張雪英,張波,陳桂軍.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(11)
[6]基于模糊支持向量機(jī)的軟件缺陷預(yù)測(cè)技術(shù)[J]. 程元啟,姚淑珍,譚火彬,李丹丹.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(09)
[7]基于類內(nèi)超平面距離度量模糊支持向量機(jī)的語音情感識(shí)別[J]. 張波,張雪英,陳桂軍,孫穎.  現(xiàn)代電子技術(shù). 2018(16)
[8]FSVM模糊隸屬度改進(jìn)和信息熵融合的復(fù)雜設(shè)備故障分析[J]. 王宇凡,董仲慧.  西安工業(yè)大學(xué)學(xué)報(bào). 2017(11)
[9]機(jī)器學(xué)習(xí)在甲狀腺腫瘤診療中的應(yīng)用[J]. 張婷婷,渠寧,鄭璞,陳雅玲,史榮亮,嵇慶海,孫國(guó)華.  中國(guó)癌癥雜志. 2017(12)
[10]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)[J]. 趙懷柏,王逸凡,宋曉鵬.  交通與運(yùn)輸(學(xué)術(shù)版). 2017(02)

博士論文
[1]數(shù)據(jù)分類的貝葉斯模糊學(xué)習(xí)和基于凸包的快速學(xué)習(xí)方法研究[D]. 顧曉清.江南大學(xué) 2017



本文編號(hào)：3459877