一种模糊支持向量机隶属度函数的获取方法

摘要

本发明提供了一种模糊支持向量机隶属度函数的获取方法，属于信息技术领域。本模糊支持向量机隶属度函数的获取方法，其特征在于，包括以下步骤：(1)、样本数据输入；(2)、利用k‑means确定正负样本的类中心；(3)、引入系数消除样本不平衡(4)、区分“支持向量”和“噪声点”；(5)、获取隶属度，从而提高样本分类能力。本发明可以有效区分“支持向量”和“噪声点”，并对它们进行不同的隶属度计算，提高“支持向量”，且降低“噪声点”的影响，从而提高整个分类器的优点。

主权项

一种模糊支持向量机隶属度函数的获取方法，其特征在于，包括以下步骤：(1)、样本数据输入：在支持向量机中的目标函数引入松弛变量ζ，建立软间隔分类器，并为了限制其取值加入了惩罚参数C，目标函数表示为：${\min }_{\gamma ,w,b}\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{m}{\Sigma }}{\xi }_i$s.t. y⁽ⁱ⁾(w^Tx⁽ⁱ⁾+b)≥1‑ξ_i,i＝1,...,mξ_i≥0,i＝1,...,m支持向量机中的样本数据{x₁,x₂,x₃,...}，每个样本xi有一个标签yi，{(x₁,y₁),(x₂,y₂),...}；(2)、利用k‑means确定正负样本的类中心；(3)、引入系数消除样本不平衡：加入了一个隶属度值si(0<si≤1)，对于样本数据则有{(x₁,y₁,s₁),(x₂,y₂,s₂),...}，那么求解的目标函数则为：${\min }_{\gamma ,w,b}\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{m}{\Sigma }}{s}_i{\xi }_i$s.t. y⁽ⁱ⁾(w^Tx⁽ⁱ⁾+b)≥1‑ξ_i,i＝1,...,mξ_i≥0,i＝1,...,m；(4)、区分“支持向量”和“噪声点”：计算每个正样本和负样本之间的距离，距离达到两类样本间最小距离的样本即为“支持向量”；(5)、判断隶属度大小；(6)、获取隶属度，从而提高样本分类能力。