模糊多核一类支持向量机

摘要

随着一类支持向量机(OCSVM)在类别不平衡数据的分类问题或异常检测方面的广泛应用,该算法的局限性也逐渐显现出来.一是算法的性能易受噪音的影响,其鲁棒性较差.二是算法中核函数核参数的选取尚无一般性适用方法.为同时解决上述两个问题,将模糊隶属度引入到多核一类支持向量机(MKOCSVM)中,提出了模糊多核一类支持向量机(FMKOCSVM)模型.首先,由数据间的模糊关系获得训练样本的模糊隶属度;然后以加权求和的方式合成组合核代替单核,核权重通过核对齐的思想计算.在人工数据集上证明了该模型的有效性,并在UCI数据库上进行了仿真实验,结果显示此方法具有较高的分类性能,既避免了核选择难题,又提高了抗噪音能力.