基于小生境遗传优化模糊支持向量机分类器的设计

摘要

支持向量机（support vector machine, SVM）一种新的很有效的模式识别方法，但传统的支持向量机由两类扩展到多类问题时,会出现不可分区域；支持向量机的推广能力依赖于惩罚因子C 和核函数参数s 的选择，以往的选择方法准确性不高，且效率低下。针对两个问题，本文提出了基于小生境遗传优化模糊支持向量机（FGSVM），并通过UCI数据集中的三种标准数据库进行了仿真，结果表明，FGSVM算法不仅在准确性和识别速度上有优势, 并且可以进行特征提取，展示了其在模式识别领域中很好的应用前景。