資源描述：
《基于核魯棒k-均值的模糊支持向量機算法.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第5卷第3期智能計算機與應(yīng)用Vo1．5No．32015年6月INTELUGENTCOMPUTERANDAPPLICAT【ONSJun．2015基于核魯棒k一均值的模糊支持向量機算法王孝彤。程遠志(哈爾濱工業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院。哈爾濱150001)摘要：支持向量機對訓(xùn)練數(shù)據(jù)中的噪聲敏感，為了解決這一問題，本文提出基于核魯棒k一均值算法的模糊支持向量機算法。算法首先在每類訓(xùn)練樣本上應(yīng)用核魯棒k一均值算法，得到每個樣本的模糊隸屬度，將該隸屬度賦予訓(xùn)練樣本，得到模糊訓(xùn)練集，然后在模糊訓(xùn)練集上訓(xùn)練模糊支持向量機，得到分類決策
2、函數(shù)。實驗表明，對于帶噪聲的訓(xùn)練樣本，本文的算法能夠為噪聲樣本賦予小的隸屬度，提高分類準確率。關(guān)鍵詞：模糊支持向量機；核魯棒k一均值；模糊訓(xùn)練集；噪聲中圖分類號：TP391．41文獻標識碼：A文章編號：2095—2163(2015)o3—0099—03FuzzySupportVectorMachinebasedonKernelRobustk—-meansWANGXiaotong．CHENGYuanzhi(SchoolofComputerSdenceandTechnology，HarbinInstituteofTechno
3、logy，Harbin150001，China)Abstract：Thesupportvectormachine(SVM)issensitivetonoisesinthetrainingset．Inordertodealwiththisproblem，afuzzysupportvectormachine(FSVM)basedonkernelrobustk—meansisproposedinthispaper．Kernelrobustk—meansisappliedtosamplesofeachclassrespectiv
4、ely，andallsamplesaregivenmembershipdegrees，whichiscombinedwiththeoriginaltrainingsettoyieldafuzzytrainingset．FSVMisthentrainedonthefuzzytrainingsettogetadecisionfunction．Theexperimentresultshowsthatnoisesobtainsmallmembershipdegrees．a(chǎn)ndtheclassificationaccuracyis
5、im．provedwhenthetrainingsetispollutedwithnoises．Keywords：FuzzySupportVectorMachine；KernelRobustk—means；FuzzyTrainingSet；Noise0引言通過為噪聲賦予更小的隸屬度權(quán)重，就減少了其對分類決策支持向量機是模式識別和機器學(xué)習(xí)領(lǐng)域中解決分類問的影響，同時也提高了支持向量機的抗噪性。基于此，如何題¨以及非線性函數(shù)估計問題的一種重要方法。針對二為訓(xùn)練集設(shè)置合理的隸屬度即已隨之而成為模糊支持向量類分類問題，支持向量機
6、在高維特征空間中構(gòu)建最大化兩類機的一個關(guān)鍵研究問題。分類間隔的分類超平面，通過核函數(shù)，可以學(xué)習(xí)非線性支持本文提出了一種基于核魯棒k一均值的模糊支持向量機向量機。算法，對兩類訓(xùn)練樣本分別應(yīng)用核魯棒k一均值聚類算法，得分類問題中通常存在一部分輸入訓(xùn)練樣本的類別標錯到每個樣本的隸屬度，與原始的訓(xùn)練樣本結(jié)合得到模糊訓(xùn)練的情況，這種錯誤的類別標號稱為錯誤類別噪聲j，簡稱噪樣本集，而后通過模糊支持向量機算法訓(xùn)練分類器，提高了聲。錯誤類別噪聲經(jīng)常出現(xiàn)在兩類樣本具有相似的特征的支持向量機的抗噪性。時候。由于擬合這些樣本，支持向量機學(xué)習(xí)的
7、最優(yōu)分類面與1核魯棒k一均值算法不存在錯誤類別噪聲時的最優(yōu)分類面產(chǎn)生偏差，從而降低了1．1魯棒k一均值算法支持向量機的準確性。也就是說，支持向量機的訓(xùn)練過程對魯棒k一均值算法(Rkmeans)是k一均值算法的推廣。訓(xùn)練集中的錯誤類別噪聲敏感。給定樣本集合以及聚類數(shù)目C，魯棒k一均值算法尋找c個聚支持向量機對于錯誤類別噪聲的敏感性主要是由于在類，并將每個樣本劃分給一個聚類。與k一均值算法不同的支持向量機理論中，所有的訓(xùn)練樣本均同等對待J，而支持是，每個樣本對于其所屬聚類均有一個隸屬度，作為其對于向量機的分類決策面則依賴于在
8、訓(xùn)練集中占少數(shù)的支持向整個類的隸屬度，代表了各樣本隸屬于整個類的程度，其中，量。由于錯誤類別噪聲樣本與其他訓(xùn)練樣本具有相同的重隸屬度小于給定閾值的樣本即可判定為是噪聲J。要性，但卻更容易被分類器錯分，從而成為支持向量，為了減設(shè)樣本集合為D=li=1，2，?，s}，其中∈置“，聚類小錯分懲罰，支持向量機將擬合這些樣本，
