模式识别与人工智能
模式識彆與人工智能
모식식별여인공지능
Moshi Shibie yu Rengong Zhineng
2012年
2期
237-247
,共11页
总间隔%支持向量%模糊支持向量机%超球体
總間隔%支持嚮量%模糊支持嚮量機%超毬體
총간격%지지향량%모호지지향량궤%초구체
为解决传统支持向量机易出现学习“过拟合”和丢失数据统计特征等问题,通过引入模糊隶属度和总间隔思想,提出一种基于总间隔的最大间隔最小包含模糊球形学习机( TMF-SSLM),使得一类(正类)被包含于一个最小包含超球内,而另一类(负类)与该超球间隔最大化,从而同时实现类间间隔的增大和正负两类类内体积的缩小.通过使用差异成本,解决不平衡训练样本问题.引入总间隔和模糊性惩罚,克服传统软间隔分类机的过拟合问题,显著提升球形学习机的泛化能力.采用UCI实际数据集分别对二类和一类模式分类进行实验,结果显示TMF-SSLM具有优于相关方法的稳定分类性能.
為解決傳統支持嚮量機易齣現學習“過擬閤”和丟失數據統計特徵等問題,通過引入模糊隸屬度和總間隔思想,提齣一種基于總間隔的最大間隔最小包含模糊毬形學習機( TMF-SSLM),使得一類(正類)被包含于一箇最小包含超毬內,而另一類(負類)與該超毬間隔最大化,從而同時實現類間間隔的增大和正負兩類類內體積的縮小.通過使用差異成本,解決不平衡訓練樣本問題.引入總間隔和模糊性懲罰,剋服傳統軟間隔分類機的過擬閤問題,顯著提升毬形學習機的汎化能力.採用UCI實際數據集分彆對二類和一類模式分類進行實驗,結果顯示TMF-SSLM具有優于相關方法的穩定分類性能.
위해결전통지지향량궤역출현학습“과의합”화주실수거통계특정등문제,통과인입모호대속도화총간격사상,제출일충기우총간격적최대간격최소포함모호구형학습궤( TMF-SSLM),사득일류(정류)피포함우일개최소포함초구내,이령일류(부류)여해초구간격최대화,종이동시실현류간간격적증대화정부량류류내체적적축소.통과사용차이성본,해결불평형훈련양본문제.인입총간격화모호성징벌,극복전통연간격분류궤적과의합문제,현저제승구형학습궤적범화능력.채용UCI실제수거집분별대이류화일류모식분류진행실험,결과현시TMF-SSLM구유우우상관방법적은정분류성능.
