改进的双隶属度模糊支持向量机!-重庆师范大学学报.PDFVIP

! #$$ 年% 月 重庆师范大学学报（自然科学版） ’() #$$ 第* 卷 第+ 期 ,-./012 -3 45-067806 9-/:12 ;08’/=8?（91./12 @8’0@’ ） A-2) * 9-) + 49BC ：+#D $$E+F 9) #$$#%$G ) $H+% ) #$$ 改进的双隶属度模糊支持向量机! 邬! 啸，魏! 延，吴! 瑕 （重庆师范大学 计算机与信息科学学院，重庆I#$HH$） 摘要：针对传统的支持向量机（AJ ）中存在对噪声和孤立点敏感，容易产生过拟合的问题，提出一种新的模糊隶属 度函数设计方法!!基于密度法的双隶属度模糊支持向量机方法（KJDLAJ ）。该方法不仅考虑样本到类中心的距 离，同时根据样本点到类中心的距离将样本分为两类，类中心附近样本点的隶属度由该样本点到类中心的距离确 定，而对于远离类中心的样本点来说，其隶属度由邻域内同类与异类样本点数目的比值来确定。同时，针对模糊支 持向量机普遍存在训练时间过长的难题，使用截集模糊!D均值聚类的方法对训练样本进行聚类处理，以聚类中心作 为新的样本进行训练。最后数值实验表明，与传统的支持向量机和以往的LAJ 相比，有效地提高了分类速度和精 度。 关键词：支持向量机；双隶属度；截集模糊!D均值 中图分类号：MN$*$；MNH$$) $H$ 文献标志码：O! ! ! 文章编号：$EGD EE%H（#$$）#+D ##I%D #I ! ! 支持向量机（.((-/ ’@-/ :1@580’ ，AJ ）是 属度由其邻域内同类异类样本点的比例确定，但算 A1(08P 等人提出的一种基于统计学习理论的新的 法复杂度较高，计算机运算时间明显增加。 ［$DE ］ 机器学习方法 ，由于其具有良好的性能和广泛的 ［GD* ］ $ 模糊支持向量机 应用 而日益受到重视，形成近年来的研究热点。 支持向量机的处理机制决定了其对训练样本内的噪 模糊支持向量机可以减小甚至忽略非重要样本 音和孤立点非常敏感，对不是完全属于两类中的一 和噪声点对支持向量机学习的影响，从而提高分类 ［$$］ 类的样本分类正确率偏低。针对这些不足，Q80 等学 精度 。在采用模糊支持向量机时，首先要对数据 ［%D$# ］ 者 通过对每一个样本引入一个模糊隶属度参 进行预处理：选择一个合适的隶属度函数，得到每一 数，对不同的样本采用不一样的惩罚系数，使得不同 个样本 的隶属度函数 （ ）。于是便可以得到新 # ! # 的样本在构造目标函数时有不一样的贡献，而构建 的模糊训练集：｛ ，$ ，（ ）｝，｛ ，$ ，（ ）｝，…， $ $ ! $ ! L.RR? =.((-/ ’@-/ :1@580’ ， 了模糊支持向量机（ ｛