资料下载
×
模糊支持向量机对不确定性信息处理
消耗积分:2 |
格式:rar |
大小:0.68 MB |
2018-02-01
分享资料个
支持向量机（ Support Vector Machine．SVM）是建立在统计学习理论上，以结构风险最小化原理为基础，借助空间映射处理高维、小样本数据的有效机器学习方法。然而，当样本中存在不确定性信息时，如语言信息变量和异常数据，其算法的信息处理能力的准确性将受很大影响。借助模糊集理论，模糊支持向量机（ Fuzzy Support Vector Machine，FSVM）算法很好解决了这个问题。FSVM通过隶属函数对输入变量的重要程度进行划分，进而减少不确定性信息对于算法最优结果的影响。该方法虽然在一定程度上有效解决了不确定性信息对于SVM算法计算能力的影响，但是FSVM算法还存在一些问题。首先，缺乏FSVM对于不确定性信息数据引起算法学习准确率不佳现象本质原因的分析；其次，SVM的理论基础是使用非线性映射将样本映射到高维空间使其线性可分或拟合，其空间映射利用满足Mercer条件的核函数来代替，然而在实际应用过程中，常常难以获得高维空间中具体的映射形式，对高维特征空间的几何结构缺乏本质的认识。因此在目前的研究中，难以对FSVM方法进行有效改进来处理不确定性信息。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
