总间隔v-模糊支持向量机研究.pdfVIP

第 38卷 第 8期 计 算 机 工 程 2012年4月 V0l-38 NO．8 ComputerEngineering April2012 · 人工智能及识别技术 · 文章编号：1o00—_3428(20l2)08—_0161—_o3 文献标识码：A 中图分类号：TPI81 总间隔v．模糊支持向量机研究 史晓燕，陶剑文 (浙江工商职业技术学院信息工程学院，浙江 宁波 315012) 摘 要：为获得更好的分类性能，对传统模糊支持向量机(FSVM)进行扩展，提出一种总间隔 V一模糊支持向量机 (TM—V—FSVM)。通过使用 差异成本及引入总间隔和模糊隶属度，同时解决不平衡训练样本问题和传统软间隔分类机的过拟合问题，从而提升学习机的泛化能力。采 用UCI实际数据集进行模式分类实验，结果表明TM—v—FSVM 具有稳定的分类性能。 关健诃：总间隔；泛化 ；支持向量；模糊支持向量机；线性 ；非线性 Research0nTotalM arginV-FuzzySupportVectorM achine SHIXiao—yan，TAO Jian—wen fSchoolofInformationEngineering，ZhejiangBusinessTechnologyInstitute，Ningbo315012，China) [Abstract]ThispaperpresentsanovelclassifiercalledTotalMarginv—FuzzySupportVectorMachine(TM—V—FSVM basedontheideaofFSVM andTotalMargin(TM)．AlthoughitcanbeseenasamodifiedclassoftheclassicFSVM，TM—v—FSVM hasbettertheoreticalclassification performancethanFSVM ．Theproposedmethodsolvesnotonlytheoverfittingproblem resultedfrom outlierswiththeapproachesoffuzzificationof thepenaltyandtotalmarginalgorithm，butalsohteimbalanceddatasetsbyusingdifferentcostalgorithm，thusobtainingalowergeneralizationerror bound．ExprimentalresultsobtainedwithUCIrealdatasetsshow thatthealgorithm ismorestableandsuperiorthanotherrelateddiagrams． [Keywords]TotalMargin(TM)；generalization；supportvector；FuzzySupportVectorMachine(FSVM)；linearity；nonlinearity D0I：10．3969／j．issn．1000—3428．2012．08．053 1 概述 设训练集S被分成2个集合：模糊正训练集S和模糊负 近年来，支持向量机(SupportVectorMachine，SVM) 已 训练集 ，分别表示如下： 成为机器学习领域广泛研究的方法之一。该方法具有明显的 S= ，Yi，4／}，i=Ll，L2，…，Lp 优点，已广泛应用于许多方面，并被推广到非线性回归问题。 = {xi，Yi， }，i=Ll，L2，…，L 但SVM也存在一些问题 J。针对 SVM易出现过拟合问题，