文档介绍：HEBEI UNIVERSITY

密级:
分类号:
学校代码: 10075
学号: 20091335
硕士学位论文

基于模糊方法的粗糙支持向量机算法研
究

学位申请人: 卢霄霞
指导教师:李凯教授
学位类别:工学硕士
学科专业:计算机应用技术
授予单位:河北大学
答辩日期:二〇一二年六月
Classified Index: CODE: 10075
.: NO: 20091335

A Dissertation for the Degree of M. Engineering

Study of Rough Support Vector Machine
Algorithm Based on Fuzzy Method

Candidate: Lu Xiaoxia
Supervisor: Prof. Li Kai
Academic Degree Applied for: Master of Engineering
Specialty: Computer Applied Technology
University: Hebei University
Date of Oral Examination: June, 2012
摘要
摘要
支持向量机是建立在 VC 维理论和结构风险最小原则基础上的一种学习方法,
已经成为机器学习的一个重要研究方向。目前,研究人员对其算法进行了各种改进,并
提出了许多算法,例如,模糊支持向量机。最近,随着粗糙方法引入到支持向量机的优
化问题中,人们也开始关注粗糙方法与支持向量机间的紧密结合,并正在成为一个新的
发展方向。
本文将模糊方法与粗糙方法用于支持向量机中,对基于模糊方法的粗糙支持向量机
算法进行了研究,主要包括以下三个方面:
1. 在深入研究传统支持向量机、模糊支持向量机以及粗糙间隔支持向量机的基础
上,针对算法存在的噪声敏感问题,将模糊方法和到粗糙间隔引入到支持向量机中,获
得了模糊加权的粗糙间隔支持向量机模型,通过求解该优化问题的解,提出了模糊加权
的粗糙间隔支持向量机算法,该方法同时考虑了间隔的粗糙性和样本的模糊性,也就是
说不仅考虑样本在超平面的位置,而且还考虑了样本的重要性,通过此方法可以有效减
少噪声或野点对超平面的影响。
2. 通过分析求解多类问题的支持向量机算法以及求解策略,并基于一对一策略和
一对多策略,提出了求解多类问题的模糊粗糙间隔支持向量机算法,该方法通过引入模
糊隶属度和粗糙间隔,有效地减少了一对一策略和一对多策略中可能存在的不可分区
域。
3. 针对两类问题和多类问题,通过选取 UCI 等数据库中的标准数据集,实验研究
了模糊加权的粗糙间隔支持向量机的性能,通过选取分类正确率、均方差以及平均正确
率等指标,分别与粗糙间隔支持向量机、模糊支持向量机以及传统支持向量机的性能进
行了实验比较;并且采用双边 t 检验方法和 Friedman 检验方法对提出算法的有效性进行
了研究和讨论。

关键词支持向量机模糊隶属度粗糙间隔噪声正确率
I
Abstract
Abstract
Support vector machine (SVM) is a new machine learning technology and has drawn
much attention on this topic in recent years. The theory of SVM is based on the VC dimension
theory and structural risk minimization (SRM) principle. Currently, scholars have proposed
many improved SVM algorithms in the literature, for example, the fuzzy support vector
machine and so on. Nowadays, researchers begin to apply rough set methods to the research
of support vector machine and forces on the close integration between the rough set method
and support vector machin