[发明专利]基于总间隔的模糊v-相对间隔学习机算法

摘要

基于总间隔的模糊v-相对间隔学习机算法（TMF-vRMM），在传统的相对间隔学习机（RMM）中融合FSVM和TM-SVM方法思想，通过对训练集模糊化和引入总间隔算法，训练样本不再采用相同的方式进行处理，而是根据它们相关度的不同而采用不同的处理方式，同时解决了RMM中过拟合和样本不均衡等问题。本发明的有益效果为：继承了v-SVM、FSVM和RMM等方法优点，且对这些方法进行了集成和扩展；在传统RMM算法中引入总间隔和模糊隶属度概念，使得所提方法的优化解具有更强的鲁棒性；通过引入一个控制间隔误差上界的可调参数v，使得TMF-vRMM具有相较于RMM更好的泛化学习能力。

主权项

基于总间隔的模糊v‑相对间隔学习机算法，其特征在于包含以下步骤：步骤一：在传统的相对间隔学习机（RMM）中融合FSVM和TM‑SVM方法，对这些方法进行集成和扩展；步骤二：训练样本根据它们相关度的不同而采用不同的处理方式，对每个训练数据赋予一个相对重要程度的隶属度值，指示数据点对所属类的重要度，数据点的重要度与隶属度值成正比；步骤三：通过引入参数v,可控制间隔误差的上界和支持向量的下界，使得基于总间隔的模糊v‑相对间隔学习机（TMF‑vRMM）具有相较于相对间隔学习机（RMM）更好的泛化学习能力。