基于類向心度的模糊支持向量機-論文.pdf

基于類向心度的模糊支持向量機-論文.pdf

ID:53762542

大?。?47.13 KB

頁數(shù):6頁

時間:2020-04-24

基于類向心度的模糊支持向量機-論文.pdf_第1頁
基于類向心度的模糊支持向量機-論文.pdf_第2頁
基于類向心度的模糊支持向量機-論文.pdf_第3頁
基于類向心度的模糊支持向量機-論文.pdf_第4頁
基于類向心度的模糊支持向量機-論文.pdf_第5頁
資源描述:

《基于類向心度的模糊支持向量機-論文.pdf》由會員上傳分享,免費在線閱讀,更多相關內(nèi)容在行業(yè)資料-天天文庫。

1、CN43—1258/TP計算機工程與科學第36卷第8期2014年8月ISSN1OO7—13OXComputerEngineering&ScienceVo1.36,No.8,Aug.2014文章編號:1007—130X(2014)08—1623—06基于類向心度的模糊支持向量機許翠云,業(yè)寧(南京林業(yè)大學信息科學技術學院,江蘇南京210037)摘要:傳統(tǒng)支持向量機(SVM)訓練含有噪聲或野值點的數(shù)據(jù)時,容易產(chǎn)生過擬合,而模糊支持向量機可以有效地處理這種問題。針對使用樣本與類中心之間的距離關系來構建模

2、糊支持向量機隸屬度函數(shù)的不足,提出了一種基于類向心度的模糊支持向量機(CCD-FSVM)。該方法不僅考慮到樣本與類中心之間的關系,還考慮到類中各個樣本之間的聯(lián)系,并用類向心度來表示。將類向心度應用于模糊隸屬度函數(shù)的設計,能夠很好地將有效樣本與噪聲、野值點樣本區(qū)分開來,而且可以通過向心度的大小,對混合度比較高的樣本進行區(qū)分,從而達到提高分類精度的效果。實驗結果表明,基于類向心度的模糊支持向量機其分類正確率比支持向量機高,在使用三種不同隸屬度函數(shù)的FSVM中,該方法的抗噪性能最好,分類性能最強。關鍵

3、詞:模糊支持向量機;隸屬度函數(shù);類向心度中圖分類號:TP391.3文獻標志碼:Adoi:10.3969/.issn.1007—130X.2014.08.035AnovelfuzzysupportvectormachinebasedontheclasscentripetaldegreeXUCui—yun,YENing(SchoolofInformationTechnology,NanjingForestryUniversity,Nanjing210037,China)Abstract:Thetra

4、ditionalsupportvectormachine(SVM)oftenfallsintoover-fittingwhenoutliersarecontainedinthetrainingdata.Thefuzzysupportvectormachinecaneffectivelydealwiththisprob—lem.Accordingtothedeficiencyofthemembershipfunctiondesignedbasedonthedistancebetweenasampl

5、eanditsclustercenter,anovelfuzzysupportvectormachinebasedontheclasscentripetaldegree(CCD—FSVM)iSproposed.Itcombinesthedistancebetweenasampleanditsclustercenterwiththere—lationshipbetweensamplesexpressedastheclasscentripetaldegree.Thisfunctioncaneffec

6、tivelysepa—ratethevalidsamplesfromthenoisesoroutliers.Besides,thesizeoftheclasscentripetaldegreecanre—flectthesamplesmixeddegree.Experimentalresultsshowthatthefuzzysupportvectormachinebasedontheclasscentripetaldegreeismorerobustthanthetraditionalsupp

7、ortvectormachine,anditoutper—formstheothertwoFSVMcounterpartswithdifferentmembershipfunctionsintermsofantinoiseandclassificationperformance.Keywords:fuzzysupportvectormachine;membershipfunction;classcentripetaldegreechines)是將結構風險最小化原則引入到分類的引言一種機器學習方法

8、,它基于統(tǒng)計學習理論,致力于在屬性空間中構建最優(yōu)分類超平面,從而獲得分類支持向量機SVM(SupportVectorMa—器的全局最優(yōu)解。SVM泛化能力強,能夠較好地*收稿日期:2012-09—13;修回日期:2013-Ol一21基金項目:國家973計劃資助項目(2012CBI14505);國家杰出青年計劃資助項目(31125008);江蘇省研究生創(chuàng)新基金資助項目(cL11o525,Cxz12一一o527);江蘇省青藍工程學術帶頭人;江蘇省六大人才高峰(電子信息類).通信地址:210037江蘇省

當前文檔最多預覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當前文檔最多預覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學公式或PPT動畫的文件,查看預覽時可能會顯示錯亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權歸屬用戶,天天文庫負責整理代發(fā)布。如果您對本文檔版權有爭議請及時聯(lián)系客服。
3. 下載前請仔細閱讀文檔內(nèi)容,確認文檔內(nèi)容符合您的需求后進行下載,若出現(xiàn)內(nèi)容與標題不符可向本站投訴處理。
4. 下載文檔時可能由于網(wǎng)絡波動等原因無法下載或下載錯誤,付費完成后未能成功下載的用戶請聯(lián)系客服處理。