核对齐多核模糊支持向量机
支持向量机(SVMs)是当前被广泛使用的机器学习技术,其通过最优分割超平面来提高分类器的泛化能力,在实际应用中表现优异.然而SVM也存在易受噪声影响,以及核函数选择等难题.针对以上问题,本文将基于核对齐的多核学习方法引入到模糊支持向量机(fuzzy support vector machine,FSVM)中,提出了模糊多核支持向量机模型(multiple kernel fuzzy support vector machine,MFSVM).MFSVM通过模糊粗糙集方法计算每一样例隶属度;其次,利用核对齐的多核方法计算每一单核权重,并将组合核引入到模糊支持向量机中.该方法不仅提高了支持向量机的抗噪声能力,也有效避免了核选择难题.在UCI数据库上进行实验,结果表明本文所提方法具有较高的分类精度,验证了该方法的可行性与有效性.
核函数、支持向量机、粗糙集理论、监督学习、模糊分类、模糊隶属函数、鲁棒性、噪声
14
TP181(自动化基础理论)
国家自然科学基金项目;北京建筑大学科学研究基金项目
2020-03-10(万方平台首次上网日期,不代表论文的发表时间)
共7页
1163-1169