论文摘要
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。
论文目录
文章来源
类型: 期刊论文
作者: 何强,张娇阳
关键词: 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
来源: 智能系统学报 2019年06期
年度: 2019
分类: 信息科技
专业: 自动化技术
单位: 北京建筑大学理学院
基金: 国家自然科学基金项目(61473111),北京建筑大学科学研究基金项目(KYJJ2017017)
分类号: TP181
页码: 1163-1169
总页数: 7
文件大小: 1730K
下载量: 152
相关论文文献
标签：核函数论文; 支持向量机论文; 粗糙集理论论文; 监督学习论文; 模糊分类论文; 模糊隶属函数论文; 鲁棒性论文; 噪声论文;