非平衡模糊支持向量机分类算法研究-计算机应用技术专业论文.docxVIP

万方数据 万方数据 学位论文使用授权声明 本人完全了解中国矿业大学有关保留、使用学位论文的规定，同意本人所撰 写的学位论文的使用授权按照学校的管理规定处理： 作为申请学位的条件之一，学位论文著作权拥有者须授权所在学校拥有学位 论文的部分使用权，即：①学校档案馆和图书馆有权保留学位论文的纸质版和电 子版，可以使用影印、缩印或扫描等复制手段保存和汇编学位论文；②为教学和 科研目的，学校档案馆和图书馆可以将公开的学位论文作为资料在档案馆、图书 馆等场所或在校园网上供校内师生阅读、浏览。另外，根据有关法规，同意中国 国家图书馆保存研究生学位论文。 (保密的学位论文在解密后适用本授权书)。 作者签名： 导师签名： 年 月 日 年 月 日 学位论文原创性声明 本人郑重声明：所呈交的学位论文《非平衡模糊支持向量机分类算法研究》， 是本人在导师指导下，在中国矿业大学攻读学位期间进行的研究工作所取得的成 果。据我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集 体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 年 月 日 65 论文审阅认定书 研究生 在规定的学习年限内，按照研究生培养方案 的要求，完成了研究生课程的学习，成绩合格；在我的指导下完成本 学位论文,经审阅，论文中的观点、数据、表述和结构为我所认同， 论文撰写格式符合学校的相关规定，同意将本论文作为学位申请论文 送专家评审。 导师签字： 年 月 日 致谢 时光飞逝，转眼间三年的硕士研究生生活即将结束。回忆三年来的美好时光， 令人难以忘记。在论文即将完成之际，我要向给予我指导、支持、帮助及关心过 我的老师、学长、同学和亲人表示衷心的感谢。 首先，我要特别感谢我的导师孟凡荣教授。感谢孟老师在我攻读硕士期间对 我的关怀和指导。学术中的孟老师治学严谨，对数据挖掘和数据库技术有自己独 特的见解。生活中，孟老师对时事的关注、对新鲜事物的热情和乐观年轻的生活 作风都是我学习的榜样。工作中，孟老师让我们参与其教学工作，锻炼了我交流 的能力，这一切都让我受益匪浅，衷心地祝福孟老师身体健康，工作顺利。 感谢刘兵老师对我的指导和关心。本文从选题、开题、研究工作的开展以及 论文的定稿都得到了刘老师耐心仔细的指导，刘老师在论文的组织结构和内容上 都给了我很大的帮助，在我平时的研究和学习中也给予了我莫大的关怀和帮助， 非常感谢刘老师。 感谢师兄和师姐们对我论文题目的建议，感谢实验室所有的同学给予我的鼓 励和帮助。感谢他们共同创造了一个和谐、温馨的学习环境，也使我少走了很多 弯路，在此向他们表示诚挚的敬意和衷心的感谢，祝他们今后事业有成、一帆风 顺。 最后要感谢我亲爱的家人，感谢他们多年来在生活和精神上给予我的鼓励和 支持，无论我在何方，他们永远都是我坚强的后盾和前进的动力。 本论文虽然几经修改，但由于个人能力所限，疏漏之处在所难免，还望各位 老师批评指正，感谢各位专家百忙之中审阅本文和提出宝贵意见。 摘 要 支持向量机是目前比较流行的机器学习算法，可以较好地解决小样本、非线 性和局部极小点等实际问题，并且能够高效地处理平衡数据集分类问题。然而， 对于非平衡数据集，SVM 产生的分类模型偏向多数类。由于 SVM 算法对于数据 集中的孤立点和随机噪声比较敏感，尽管现在已有的类非平衡学习方法能使 SVM 对类非平衡问题的敏感性减弱，但是仍然面临着随机噪声和孤立点的问题。 而且 SVM 学习过程中需要调整一些参数，模型学习消耗时间较长。 本文针对上述问题首先对面向非平衡数据的模糊聚类方法进行分析，在样本 集非平衡程度不是太大时，采用基于核的可能性模糊 C-均值聚类算法 KPFCM 对 非平衡数据集进行聚类，典型值和模糊隶属度值的协调作用可以提升算法对样本 非平衡的健壮性以及对随机噪声的鲁棒性。同时，本文给出一种高斯核参数优化 方法，用于核聚类的参数选取。在样本非平衡比例较大情况下，针对模糊聚类中 心严重偏移的问题，本文将过采样技术与 KFCM 模糊聚类算法相结合来处理非 平衡数据模糊聚类。 其次，在面向非平衡数据的模糊聚类方法分析的基础上，提出了一种基于核 聚类 KPFCM 的非平衡模糊支持向量机分类算法 FPSVM-CIL，实现存在随机噪 声以及孤立样本的非平衡数据分类问题。算法通过为核聚类的模糊隶属度和典型 值设置阈值减小样本集的非平衡比例，然后将核聚类得到的隶属度和类非平衡学 习的不同惩罚系数线性组合作为模糊隶属度值引入到模糊支持向量机模型中。在 人工数据集和真实数据集的实验结果表明，FPSVM-CIL 算法对于非平衡样本集 具有很好的分类性能，对于随机噪声也具有很好的鲁棒性。 最后，针对支持向