基于多核函数的模糊支持向量机学习算法.pdfVIP

! #$ 年$$ 月 重庆师范大学学报（自然科学版） %’( #$ 第) 卷 第* 期 +,-./0 1 23.456.4 %-7/0 8.6’9-:6; （%/;,-/0 =69.9 ） ?0( ) %( * @AB ：2%CB ：D#E$$*DF %( #$$$$ ( $*G ( #$ 基于多核函数的模糊支持向量机学习算法! $ 徐国浪 ，魏! 延 （$( 重庆师范大学 数学学院； ( 计算机与信息科学学院，重庆G#$HH$） 摘要：作者针对单个核函数构成的=?I 并不能满足诸如数据异构或不规则、样本规模巨大、样本分布不平坦等实际 应用的需求，而将多个核函数进行组合，以获得更好的效果，提出一种基于多核的模糊支持向量机算法。此算法决 策树中的模糊核权重主要是借助于样本各自的模糊因子来确定。仿真实验数据表明：与传统单核函数支持向量机 相比，多核模糊支持向量机具有很好的优越性。 关键词：多核；模糊集；模糊支持向量机；多核分类算法 JKHL 文献标志码：M! ! ! 文章编号：$*NE **)H（#$ ）#*E ##D#E #G 中图分类号： ! ! 支持向量机（=,OO-; ’9;- 7/36.9 ，=?I ）是 一般的支持向量机更好的特性，故本文选择在模糊 建立在统计学习理论基础上的一种核机器学习方 支持向量机基础之上研究多核支持向量机。 ［$E ］ 法，由?/.O6.P 等人于$))D 年提出 ，它在解决有 限样本、非线性及高维模式识别问题中表现出许多 $ 模糊支持向量机 特有的优势。目前，已经广泛应用到文本分类、人脸 在传统的单核支持向量机中，最优分类面常常 检测、生物信息和入侵检测技术等多个领域［HEN ］，是 由少量的位于分类边缘的支持向量来决定，而含野 解决分类和回归问题的有力工具之一。 值点的样本往往也位于边缘，所以支持向量机在训 =?I 能够较好地解决小样本、非线性和高维模 练过程中对于外围野值点十分敏感，为了减少传统 式识别等实际问题，有较强的泛化能力。=?I 采用 支持向量中异常数据点对支持向量机的影响， Q6. 等 的核函数将输入空间中的样本映射到某一高维特 ［$# ］ 构建了模糊支持向量机 。模糊支持向量机可以 征，将原空间中的非线性问题转化为高维特征空间 减小甚至忽略非重要样本和噪声点对支持向量机学 中的线性问题，从而在高维特征空间内求得最优分 习的影响，从而提高分类精度。 类面。因此，在解决非线性分类或回归问题过程中， 核函数的选取非常重要。然而，对于实际问题，由于 定义$! 设! 是一个非空集合，则称 T ｛〈# ，$ （# ）〉# ! ，% T $， ，…， ｝ （$ ） 各个分类对象之间差异较大，因此想较为容易地找