软间隔模糊粗糙支持向量机

摘要：

分析了硬间隔模糊粗糙支持向量机(FRSVMs)的优点与不足.FRSVMs通过修改硬间隔支持向量机(SVMs)的约束条件提高了泛化能力;FRSVMs虽然将训练样例的条件属性与决策属性之间的不一致性考虑在内,但是在寻找最优超平面时仍然要求将训练集完全正确地分开,因此对噪音具有敏感性.针对FRSVMs的这个缺点,提出了软间隔模糊粗糙支持向量机(C-FRSVMs).它使用高斯核函数作为模糊相似关系,将数据集中样例的条件属性与决策标签之间的不一致程度考虑在内;在训练寻找最优超平面的过程中允许存在错分点,并对原始最优化问题中训练样例的错分程度进行惩罚;既考虑了间隔最大,又考虑了训练误差最小,从而降低了对噪音的敏感性.实验表明:针对一些数据集,无论其是否存在异常点,C-FRSVMs在测试精度上都可以同时优于硬间隔SVMs、软间隔支持向量机(C-SVMs)和FRSVMs,从而进一步提高了FRSVMs的泛化能力.

关键词：支持向量机、粗糙集、模糊粗糙集、模糊隶属度、模糊粗糙支持向量机

所属期刊栏目：38

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目60903088,60903089;河北省自然科学基金项目F2010000323,F2011201063

在线出版日期：2012-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：217-220