基于总间隔的模糊v-相对间隔学习机算法

摘要

基于总间隔的模糊v-相对间隔学习机算法（TMF-vRMM），在传统的相对间隔学习机（RMM）中融合FSVM和TM-SVM方法思想，通过对训练集模糊化和引入总间隔算法，训练样本不再采用相同的方式进行处理，而是根据它们相关度的不同而采用不同的处理方式，同时解决了RMM中过拟合和样本不均衡等问题。本发明的有益效果为：继承了v-SVM、FSVM和RMM等方法优点，且对这些方法进行了集成和扩展；在传统RMM算法中引入总间隔和模糊隶属度概念，使得所提方法的优化解具有更强的鲁棒性；通过引入一个控制间隔误差上界的可调参数v，使得TMF-vRMM具有相较于RMM更好的泛化学习能力。