基于截集模糊K均值聚类的模糊支持向量机

摘要

支持向量机（SVM）是在统计学习理论（SLT）的基础上发展而来的一种新的模式识别方法，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。但是因其内存需求大和训练时间过长影响了SVM在实际中的应用。同时，噪声样本的存在影响了SVM的分类精度。因此，优化SVM以提高其训练时间和训练精度成为一个重要问题。Lin提出的模糊支持向量机在一定的程度上消除了噪声样本对最优超平面确定的影响，提高了SVM的分类精度，但是其隶属度确定方法存在不足。
　　 本文充分考虑在实际中可能存在的两类样本不均衡的情况及样本紧密度的问题，提出了一种新的模糊隶属度的确定方法，采用此方法使得模糊支持向量机的分类精度得到提高。同时考虑到SVM的训练速度长的问题，采用截集模糊K均值聚类算法对训练样本进行有效聚类后，使用聚类中心进行模糊支持向量机算法训练，使得训练速度和分类精度方面均取得到了提高。

目录

文摘

英文文摘

声明

第1章绪论

1.1本文的提出及意义

1.2主要研究内容

第2章预备知识

2.1统计学习理论

2.1.1学习过程的一致性条件

2.1.2 VC维

2.1.3学习过程推广能力的界

2.1.4结构风险最小化原则

2.2支持向量机理论

2.2.1线性可分支持向量机

2.2.2非线性支持向量机

第3章基于截集模糊K均值聚类的支持向量机

3.1截集模糊K均值聚类及聚类有效性

3.1.1截集模糊K均值聚类

3.1.2聚类有效性

3.2实验结果与分析

3.2.1数据实验结果

3.2.2应用实例

第4章基于截集模糊K均值聚类的模糊支持向量机

4.1模糊支持向量机

4.2隶属度的确定

4.3实验结果与分析

第5章结论与展望

参考文献

致 谢

攻读硕士学位期间撰写的论文