一种模糊支持向量机隶属度函数的获取方法技术
【技术实现步骤摘要】
本专利技术属于信息
，涉及一种隶属度函数，特别是一种模糊支持向量机隶属度函数的获取方法。
技术介绍
支持向量机(supportvectormachine，简称SVM)是一种分类器，与传统分类器相比，它具有更好的泛化能力，是当前最热门的机器学习算法之一，已在模式识别中得到了广泛的应用。尽管支持向量机方法具有较好的推广能力，但由于在构造最优分类面时所有的样本具有相同的作用，因此，当训练样本中含有噪声或野值样本时，这些含有“异常”信息的样本在特征空间中常常位于分类面附近，导致获得的分类面不是真正的最优分类面。针对这种情况，研究人员提出了模糊支持向量机方法(FSVM)。将模糊技术应用于支持向量机中，在采用模糊技术处理时，隶属度函数的设计是整个模糊算法的关键，这要求隶属度函数必须能够客观、准确地反映系统中样本存在的不确定性。同时，在构造隶属度函数的研究中还存在以下问题：构造隶属度函数的方法很多，但还没有一个可遵循的一般性准则；在传统方法中，常常将“支持向量”与“噪声点”同等对待来处理。然而，这两种样本点都是接近分类面的，无法区分，所以传统的消除“噪声点”的隶属度获取方法，在降低“噪声点”影响的同时也消除了“支持向量”在分类器中的作用，从而降低了分类器分类效果。由于存在上述的问题，对于本领域内的技术人员，还有待研发出一种能够有效的区分“支持向量”和“噪声点”，并对它们进行不同的隶属度计算的模糊支持向量机隶属度函数的获取方法。
技术实现思路
本专利技术的目的是针对现有的技术存在上述问题，提出了一种模糊支持向量机隶属度函数的获取方法，本模糊支持向量机隶属度函数的获取方...
【技术保护点】
一种模糊支持向量机隶属度函数的获取方法，其特征在于，包括以下步骤：(1)、样本数据输入：在支持向量机中的目标函数引入松弛变量ζ，建立软间隔分类器，并为了限制其取值加入了惩罚参数C，目标函数表示为：minγ,w,b12||w||2+CΣi=1mξi]]>s.t. y(i)(wTx(i)+b)≥1‑ξi,i＝1,...,mξi≥0,i＝1,...,m支持向量机中的样本数据{x1,x2,x3,...}，每个样本xi有一个标签yi，{(x1,y1),(x2,y2),...}；(2)、利用k‑means确定正负样本的类中心；(3)、引入系数消除样本不平衡：加入了一个隶属度值si(0<si≤1)，对于样本数据则有{(x1,y1,s1),(x2,y2,s2),...}，那么求解的目标函数则为：minγ,w,b12||w||2+CΣi=1msiξi]]>s.t. y(i)(wTx(i)+b)≥1‑ξi,i＝1,...,mξi≥0,i＝1,...,m；(4)、区分“支持向量”和“噪声点”：计算每个正样本和负样本之间的距离，距离达到两类样本...
【技术特征摘要】
1.一种模糊支持向量机隶属度函数的获取方法，其特征在于，包括以下步骤：(1)、样本数据输入：在支持向量机中的目标函数引入松弛变量ζ，建立软间隔分类器，并为了限制其取值加入了惩罚参数C，目标函数表示为：min&gam...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。