文献类型：期刊文献

中文题名：基于类内超平面的模糊支持向量机

英文题名：Fuzzy support vector machine based on cluster hyperplane

作者：张桂香[1];费岚[1];杜喆[2];刘三阳[2]

第一作者：张桂香

机构：[1]河南财经学院电教计算中心,河南郑州450003;[2]西安电子科技大学应用数学系,陕西西安710071

第一机构：河南财经政法大学

年份：2008

卷号：29

期号：12

起止页码：3177-3178

中文期刊名：计算机工程与设计

外文期刊名：Computer Engineering and Design

收录：CSTPCD;;北大核心:【北大核心2004】；CSCD:【CSCD_E2011_2012】；

基金：国家自然科学基金项目(60574075);河南省基础与前沿技术研究基金项目(072300410040);河南省教育厅自然科学基础研究基金项目(2007110023)

语种：中文

中文关键词：模糊支持向量机;支持向量机;隶属度函数;分类;超平面

外文关键词：fuzzy support vector machine; support vector machine; membership function; classification; hyperplane

摘要：分析基于样本与类中心距离设计模糊支持向量机隶属度函数的缺点,使用类内超平面代替类中心,提出基于样本到超平面距离的隶属度函数设计方法。该方法降低隶属度函数对样本集几何形状的依赖,提高模糊支持向量机的泛化能力。最后数值实验表明,与传统的支持向量机和现有的3种不同隶属度函数的模糊支持向量机相比,新隶属度函数可达到最好的分类效果而且速度快。
On analyzing disadvantages of membership functions available based on the distance between a sample and its cluster center in fuzzy SVM. A new membership function is presented, based on the distance from a hyperplane within the class. The generalization ability of FSVM is improved, while the dependence on the geometric shape of sample data is reduced. Numerical experiments show that, compared with the traditional SVM and three fuzzy SVM with different membership functions, the new membership function has better classification accuracy and higher speed.