[发明专利]一种基于模糊支持向量机的多分类方法

摘要

本发明设计一种基于模糊支持向量机的多分类方法。模糊支持向量机（FSVMs）的基本思想是：将模糊技术应用于支持向量机中，对不同的样本采用不同的惩罚权系数，使得在构造目标函数时，不同的样本有不同的贡献，对含有噪声或野值的样本赋予较小的权值，从而达到消除噪声与野值样本影响的目的。模糊支持向量机在多类分类问题上存在不可分区域，即对于训练好的分类函数，可能对一个待分数据无法进行分类。为了避免产生不可分区域，我们引入模糊隶属度函数，在很大程度上消除了不可分区域的问题。另外，通过模糊支持进行修正，还保证了各分类器分类结果的一致性。

主权项

1.一种基于模糊支持向量机的多分类方法，其特征在于：包括以下步骤：A、使用一对一组合方法进行分类A1、定义分类函数在样本中单独取出第i类和第j类(1≤i,j≤K)，考虑一个两类分类问题，得到分类函数：Dij=wijtg(x)+bij;]]>A2、定义归属度函数定义D_ij=-D_ji，对于给定数据x进行分类，定义x对第i类的归属度：Di(x)=Σj≠i,j=1Ksign[Dij(x)]]]>i=1,2,...,K  ；A3、分类计算出K个D_i后，将x分入归属度最大的一类，即分入：argMax(D_i(x))；如果x不能被确切分类，转向下一步；B、使用最小归属度模糊支持向量机或平均归属度模糊支持向量机进行分类B1、定义模糊隶属度函数为了避免产生不可分区域，引入模糊隶属度函数，定义：mij(x)=1Dij≥1Dij-1<Dij<1-1Dij≤-1]]>B2、定义归属度函数归属度函数可以有两种定义方法最小归属度和平均归属度；最小归属度：mi=Minj=1,...,k,j≠i(mij(x))]]>平均归属度：mi=1k-1Σj≠i,j=1kmij(x)]]>B3、分类得到k个m_i后，将x归入m_i最大的一类：