支持向量機（Support Vector Machine,SVM）作為一種優(yōu)良的機器學習算法,已被人們大量應用于工業(yè)生產(chǎn)、生活應用當中。但是,SVM存在著不能處理帶有模糊信息、以及對噪聲敏感的特性,因此學者們期望通過引入模糊支持向量機（Fuzzy Support Vector Machine,FSVM）來解決以上問題。FSVM對SVM的改進是通過對樣本數(shù)據(jù)集特性的分析得到隸屬度函數(shù)（Membership Function,MBSF）,通過MBSF為每個樣本賦予隸屬度（Membership,MBS）。因此FSVM算法的核心在于如何構造良好的MBSF。根據(jù)MBSF構造的不同學者們提出大體可分為兩類FSVM模型:基于樣本和和類中心距離（Distance between Sample and Class Center,DSC）設計 MBSF 的 FSVM 和基于樣本和類中心超平面距離（Distance Between Sample and Class Center Hyperplane,DSCH）設計 MBSF的FSVM。基于DSC設計MlBS的FSVM作為最先提出的算法以其簡單易于操作的特點... 

【文章來源】：安徽理工大學安徽省

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖２．２核函數(shù)??Ｆｉｇ?２．２?Ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ??在高維空間中可以通過使用線性分類算法，但是我們需要將二次規(guī)劃問題中的ｘ，＂＇使??

比如對類中心而言應該是樣本的平均值［４７Ｍ，若做一個與分類超平面平行且過這個類中心??的平面那么樣本應在這個超平面的附近均勻分布。但是，核函數(shù)參數(shù)選取不當可能會使得??樣本在超平面附近處于極度不均勻的情況，甚至樣本只在超平面的一側分布，如圖３．２所??示。這樣勢必會影響ＦＳＶＭ的分類效果。因此，我們需要通過選取合適的核函數(shù)以及良好??的算法來避免這種分布不均勻的情況。??｜?▲▲▲／／？？?｜??▲?〇１?／?＾??｜?▲▲／？？？?｜??圖３．２核參數(shù)對樣本空間分布影響示意圖??Ｆｉｇ?３．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｎｕｃｌｅａｒ?ｐａｒａｍｅｔｅｒｓ?ｏｎ?ｔｈｅ?ｓｐａｔｉａｌ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ??ｓａｍｐｌｅｓ??２．在構造最小超球時，一般將使用樣本到類中心最遠距離的樣本點作為得到最小超球??的半徑，而在構造ＭＢＳＦ時，這個半徑又將作為分母直接參與到運算，若是這個分母過大??或者過小都會使的樣本的整體ＭＢＳ偏大或偏小也會影響分類超平面的構造，從而影響分??類效率。比如，如果存在著一個樣本點距離類中心距離遠比“正常”樣本點到類中心距離大，??那么我們理論上可以認為該樣本點可能為噪聲或野值點，但是，如果我們直接將這個樣本??到類中心距離作為最小超球的半徑就會出現(xiàn)超球半徑過大，從而導致樣本整體ＭＢＳ偏小??的問題

比如對類中心而言應該是樣本的平均值［４７Ｍ，若做一個與分類超平面平行且過這個類中心??的平面那么樣本應在這個超平面的附近均勻分布。但是，核函數(shù)參數(shù)選取不當可能會使得??樣本在超平面附近處于極度不均勻的情況，甚至樣本只在超平面的一側分布，如圖３．２所??示。這樣勢必會影響ＦＳＶＭ的分類效果。因此，我們需要通過選取合適的核函數(shù)以及良好??的算法來避免這種分布不均勻的情況。??｜?▲▲▲／／？？?｜??▲?〇１?／?＾??｜?▲▲／？？？?｜??圖３．２核參數(shù)對樣本空間分布影響示意圖??Ｆｉｇ?３．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｅ?ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｎｕｃｌｅａｒ?ｐａｒａｍｅｔｅｒｓ?ｏｎ?ｔｈｅ?ｓｐａｔｉａｌ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ??ｓａｍｐｌｅｓ??２．在構造最小超球時，一般將使用樣本到類中心最遠距離的樣本點作為得到最小超球??的半徑，而在構造ＭＢＳＦ時，這個半徑又將作為分母直接參與到運算，若是這個分母過大??或者過小都會使的樣本的整體ＭＢＳ偏大或偏小也會影響分類超平面的構造，從而影響分??類效率。比如，如果存在著一個樣本點距離類中心距離遠比“正�！睒颖军c到類中心距離大，??那么我們理論上可以認為該樣本點可能為噪聲或野值點，但是，如果我們直接將這個樣本??到類中心距離作為最小超球的半徑就會出現(xiàn)超球半徑過大，從而導致樣本整體ＭＢＳ偏小??的問題

【參考文獻】：
期刊論文
[1]基于局部二進制和支持向量機的手寫體數(shù)字識別[J]. 郭偉林,鄧洪敏,石雨鑫.  計算機應用. 2018(S2)
[2]基于壓縮K近鄰邊界向量的支持向量預抽取算法[J]. 王石,蔣寧寧,楊舒卉.  海軍工程大學學報. 2018(06)
[3]基于聚類標簽均值的半監(jiān)督支持向量機[J]. 田勛,汪西莉.  計算機工程與科學. 2018(12)
[4]基于模糊信息粒化和支持向量機的股票價格回歸預測[J]. 鄭明,李娌芝,官心果,楊柱元.  云南民族大學學報(自然科學版). 2018(06)
[5]改進的FSVM算法用于非平衡情感數(shù)據(jù)分類[J]. 張雪英,張波,陳桂軍.  計算機工程與設計. 2018(11)
[6]基于模糊支持向量機的軟件缺陷預測技術[J]. 程元啟,姚淑珍,譚火彬,李丹丹.  計算機工程與設計. 2018(09)
[7]基于類內超平面距離度量模糊支持向量機的語音情感識別[J]. 張波,張雪英,陳桂軍,孫穎.  現(xiàn)代電子技術. 2018(16)
[8]FSVM模糊隸屬度改進和信息熵融合的復雜設備故障分析[J]. 王宇凡,董仲慧.  西安工業(yè)大學學報. 2017(11)
[9]機器學習在甲狀腺腫瘤診療中的應用[J]. 張婷婷,渠寧,鄭璞,陳雅玲,史榮亮,嵇慶海,孫國華.  中國癌癥雜志. 2017(12)
[10]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的交通流預測[J]. 趙懷柏,王逸凡,宋曉鵬.  交通與運輸(學術版). 2017(02)

博士論文
[1]數(shù)據(jù)分類的貝葉斯模糊學習和基于凸包的快速學習方法研究[D]. 顧曉清.江南大學 2017



本文編號：3459877