基于类中心和密切度的L-2范数FSVM

支持向量机(SVM)是解决回归问题的一种有效的方法,但传统的支持向量机对样本中的噪声和孤立点非常敏感.为了克服这个问题,文中提出了一种基于类中心和密切度的L-2范数模糊支持向量机(L-2范数FSVM),即模糊隶属度的建立不仅根据样本到类中心的距离,而且根据样本点和其目标点之间的密切度.仿真实验结果显示了该方法有效地减少了噪声的影响,改进了回归的精度,增强了推广能力.     

后验概率加权的模糊隶属度函数

模糊支持向量机(FSVM)中的模糊隶属度函数确定一直是一个难点问题。针对支持向量分类机对噪声数据或孤立点非常敏感的问题,受贝叶斯决策理论的启发,结合样本密度特性,研究样本点相对于同类和异类的关系,对各样本点分布的紧密程度给出了描述,构造了样本点的后验概率与样本密度的加权方法,提出了一种新的加权模糊隶属度函数构造。该方法避免了对噪声数据和孤立点的检测。通过建立基于提出模糊隶属函数的FSVM进行仿真,实验表明,提出的模糊隶属度函数构造的后验概率加权方法的有效性。     

一种改进的数据挖掘模糊支持向量机分类算法

针对模糊支持向量机(FSVM)应用于数据挖掘分类中存在对大样本集训练速度及分类速度慢的缺点,提出一种改进的数据挖掘模糊支持向量机分类算法.该算法首先预选有效的候选支持向量缩减训练样本集的规模提高训练速度;其次提出一种新的模糊隶属度函数,增强支持向量对构建模糊支持向量机最优分类超平面的作用,并用经过预选的训练样本集进行训练FSVM得到支持向量集;最后,运用粒子群优化算法选择最优支持向量子集,使用平均分类误差作为适应度函数,最终粒子输出时,将样本隶属度与设定阈值相比较,选择出支持向量集中相对较大隶属度的样本作为新的支持向量,提高分类速度.实验结果表明,该算法在不损失分类精度的情况下,提高了模糊支持向量机的训练速度和分类速度.     

模糊支持向量机在肺结节良恶性分类中的应用

针对传统支持向量机(SVM)对图像中含有的噪声或野值样本的不敏感性问题,提出了一种基于双向隶属度的模糊支持向量机(FSVM)的方法。该方法通过计算样本类中样本与其所属类别和另一类别的中心点之间的距离,得出样本对每一类的隶属度,通过对样本隶属度的分析实现对样本点的分类。将该方法应用于对肺结节良恶性分类试验中,其参数反演结果表明,即使在噪声存在的情况下该方法也能得到较好的分类结果,而且克服了传统方法过拟合的缺点,从而也验证了该方法较强的抗噪能力和较好的分类能力。     

具有模糊隶属度的模糊支持向量机算法

针对传统支持向量机(SVM)由于样本中存在孤立点数据或噪声而导致的过学习问题,通过分析模糊支持向量机(FSVM)的特点,指出其关键在于如何构建模糊隶属度,为此结合k近邻法思想提出了一种新的隶属度函数构造方法.该方法不仅考虑了样本点到类中心的距离,而且对各样本点排列的紧密程度也进行了估计,与传统SVM相比,它对样本的分类更为清晰和准确.将该方法应用于汽车发动机的实际故障诊断中,结果表明:SVM与普通FSVM的分类正确率较低,而采用新的模糊隶属度的FSVM算法却有较高的识别率,当k为5时分类正确率达到了70.93%,因此验证了该算法的有效性.     

基于改进FSVM的数据挖掘分类算法

针对模糊支持向量机(FSVM)应用于数据挖掘分类中存在对大样本集训练速度慢以及对噪声点敏感影响分类正确率的问题,提出一种基于改进FSVM的数据挖掘分类算法.该算法首先预选有效的候选支持向量,减小训练样本数目,提高训练速度;其次定义一种新的隶属度函数,增强支持向量对构建模糊支持向量机的作用;最后将近邻样本密度应用于隶属度函数设计,降低噪声点或野值点对分类的影响提高分类正确率.实验结果表明,该算法在训练样本数目较大时训练速度和分类正确率都有提高.     

改进的双隶属度模糊支持向量机

针对传统的支持向量机( SVM)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(DM-FSVM).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...     

基于高斯分布的非平衡FSVM

针对传统模糊支持向量机算法采用样本到类中心的距离关系来构建模糊隶属度函数存在不足,以及易受数据集不平衡的影响,提出了一种基于高斯分布的FSVM,该方法既考虑了2类样本数量的不平衡问题,同时进一步考虑了样本不同方向上的分布特性.将样本的分布特性应用于模糊隶属度函数的设计,有效地提高了对正常样本和噪声、野值样本的区分能力.实验结果表明,在处理不平衡和有噪声干扰的数据集时,该方法较传统的FSVM具有更强的鲁棒性.     

基于2DLDA与FSVM的人耳识别

针对人耳图像特征提取和识别方面存在的问题,提出一种将二维线性鉴别分析(2DLDA)和模糊支持向量机(FSVM)相结合的人耳图像识别方法.利用2DLDA将人耳图像直接投影,提取的人耳特征,可以保留人耳图像样本的大量类内和类间信息.同时,FSVM在支持向量机(SVM)的基础上引入隶属度参数,更加适合多类问题.实验结果表明,该方法与2DLDA相比具有更高的识别率.     

基于变分模态分解和改进模糊支持向量机的汽轮机故障诊断方法

针对现有方法在汽轮机故障诊断中存在影响诊断结果的样本、诊断准确率不高等缺陷,提出了基于变分模态分解(VMD)和改进的模糊支持向量机(FSVM)相结合的故障诊断模型;采用VMD对信号进行分解,并计算出各模态分量的样本熵值作为特征值,构造特征向量;通过核模糊C均值(KFCM)聚类算法计算出不同特征向量的模糊隶属度值,并将其引入支持向量机(SVM)中形成FSVM故障诊断识别模型,同时采用粒子群算法(PSO)优化FSVM中的参数;通过本特利RK4型转子试验台模拟汽轮机故障,将得到的数据输入诊断模型中进行实验。结果表明,在保证诊断模型性能的前提下,与传统SVM相比,基于VMD和改进的FSVM方法可以有效提高汽轮机故障诊断的准确率,而且诊断时间更短。     

基于动态核函数的模糊支持向量机

针对传统的支持向量机(SVM)对训练样本中的噪声和野值特别敏感而导致的过学习问题,文中提出了一种新的基于动态核函数的模糊支持向量机(FSVM).该方法不仅考虑了样本点到类中心的距离,而且还考虑了样本间的密切度,结合这两种思想在特征空间中构造了一种新的基于动态核函数的模糊隶属度.仿真实验表明,该方法有较好的分类精度和推广能力并且在理论上具有一般性和能够有效地减弱野值的影响.     

基于模糊支持向量机的中文垃圾邮件过滤方法

随着电子邮件的广泛使用,垃圾邮件问题也日益严峻.基于邮件内容的过滤是当前解决垃圾邮件问题的主流技术之一.提出了一种基于带有模糊隶属度的模糊支持向量机对中文垃圾邮件过滤的方法,同时,为解决FSVM中隶属度函数的确定问题,使用了一种改进的基于类中心的隶属度函数设计方法.通过实验,使用FS-VM对垃圾邮件过滤能够取得较好的效果.     

一种新的模糊支持向量回归方法

为克服传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计所带来的局限性问题,提出了基于样本到超平面距离的新隶属度函数设计方法。该方法从支持向量机的回归本质出发,通过更加合理地设计隶属度函数,提高支持向量机的回归的泛化鲁棒能力。仿真结果证明,该方法具有更好的鲁棒性,提高了模糊支持向量机的泛化能力。     

模糊支持向量机中隶属度确定的新方法

针对目前模糊支持向量机方法中,一般使用样本与类中心之间的距离关系构建隶属度函数的不足,提出一种改进的隶属度确定方法.该方法不仅考虑样本与类中心之间的关系,还考虑样本之间的关系根据样本的类中心与传统支持向量机构造的分类面构建2个超球,由样本点与超球的位置关系计算其隶属度,能够有效地区分样本点、噪音点以及孤立点.通过文本分类实验表明,与其他两种隶属度函数方法相比,基于双超球的模糊支持向量机方法可以更有效地将文本训练集中的噪音剔除,具有较好的分类性能.     

基于FCM和FSVM的说话人辨认

针对经典支持向量机对非目标样本没有拒绝能力,且应用于说话人辨认时存在不可分区域的问题,提出一种基于模糊C均值聚类和模糊支持向量机的多级模糊说话人辨认方法。首先利用模糊C均值聚类方法对特征向量进行聚类,减少样本的数目,加快模糊支持向量机训练速度。最终由FSVM得出判决结果。并通过仿真实验验证了该方法的有效性。     

一种改进的模糊支持向量机隶属度确定方法

为了克服支持向量机方法对于噪声或异常样本敏感的问题,本文研究基于粗糙集理论的粗糙单类支持向量机,提出一种改进的模糊支持向量机隶属度确定方法.该算法首先利用粗糙集思想构造一个最小粗糙球,分别得到对应粗糙球的上近似、下近似与边界区域,然后依据样本在超球中的位置对分布在下近似、边界域和粗糙球以外的样本,分别采用三种不同的方式...     

模糊树节点的随机森林与异常点检测

提出一种模糊树节点的随机森林算法进行异常点检测.在构建随机森林的分类决策树过程中,把模糊方法引入到二叉决策树的节点中,在节点中设计关于类别划分的模糊区域,在模糊区域上设计正常与异常隶属度函数.当某样本通过决策树节点的模糊区域时,若该样本的异常隶属度大于正常隶属度,则该样本被判别为异常类;否则,该样本进入决策树的下层树节点,若无下层节点则被判别为正常类.该样本的最终类别由随机森林算法中的投票步骤决定.在四个UCI数据集上的实验结果表明,在异常点检测的综合性能(召回率、精度和准确率)上,与基于随机森林的异常点检测算法RFV和RFP相比,新方法不仅具有较高的综合性能且性能稳定,还具有与一类支持向量机相当的性能,其部分实验结果优于一类支持向量机.     

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.     

基于模糊支持向量机和核方法的目标检测方法研究

介绍了模糊支持向量机（FSVM）理论，利用FSVM理论解决一般场景图像中的目标检测问题，并利用统计学习理论和支持向量机方法研究中形成的新的机器学习方法——核方法，研究FSVM的隶属度确定问题。实验表明，本算法具有较高的识别精度。本方法既具有针对性，又在理论上具有一般性，对推动模糊支持向量机这一新的模式分类方法的实际应用具有积极意义。     

基于HOG特征提取和模糊支持向量机的西夏文字识别

提出了基于方向梯度直方图(Histogram of oriented gradient, HOG)特征提取和模糊支持向量机(Fuzzy support vector machine, FSVM)的西夏文字识别技术.在模糊支持向量机模型中引入了新的隶属度函数,构造了基于多超平面的模糊支持向量机模型,增强了分类能力,降低了噪声点的干扰,提高了分类效率.将HOG特征提取和FSVM相结合应用于西夏文字识别,提高了文字识别效率.通过在数据集上测试,并与已有的文字识别方法相比较,结果表明,HOG特征提取结合FSVM的方法性能优于现有的其他方法.