基于总间隔的模糊v-相对间隔学习机算法制造技术

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。本发明专利技术的有益效果为：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。

【技术实现步骤摘要】

本专利技术涉及机器学习领域，具体涉及一种基于总间隔的模糊V-相对间隔学习机算法。
技术介绍
基于统计学习理论和大间隔思想的支持向量机(SVM)[1]及其相关变体是目前实现模式分类的主流方法之一，其通过最大化类间间隔来达到强泛化能力。目前，SVMs在机器学习和模式识别领域得到了广泛而成功地应用气V-支持向量分类机(v-SVM)[3]是SVM的一个扩展变体。Sch01kopf等人[3]引入一个新的参数V来控制支持向量数下界和训练误差上界，该参数能取代SVM中的参数C。尽管SVMs方法具有较多明显优势，但也存在一些问题[4]。针对SVM易出现过拟合问题，Wang等人M提出模糊SVM (FSVM)，其基本思想是根据样本在它所在类别中的相关性，给每个样本分配不同的隶属度值，使那些相关度较小的样本得到的惩罚也相应较轻。当非均衡样本集中的负样本的个数远远小于正样本的个数时，SVM会发生类边界倾斜现象，从而使SVM在非均衡数据集中的应用受到了限制，为了自适应非均衡的训练集，引文[5]采用不同代价算法，从而降低了虚警率，提高了识别的准确率。最近，针对SVM对数据仿射或伸缩变化敏感问题，Shivasw本文档来自技高网...

【技术保护点】
基于总间隔的模糊v?相对间隔学习机算法，其特征在于包含以下步骤：步骤一：在传统的相对间隔学习机（RMM）中融合FSVM和TM?SVM方法，对这些方法进行集成和扩展；步骤二：训练样本根据它们相关度的不同而采用不同的处理方式，对每个训练数据赋予一个相对重要程度的隶属度值，指示数据点对所属类的重要度，数据点的重要度与隶属度值成正比；步骤三：通过引入参数v,可控制间隔误差的上界和支持向量的下界，使得基于总间隔的模糊v?相对间隔学习机（TMF?vRMM）具有相较于相对间隔学习机（RMM）更好的泛化学习能力。

【技术特征摘要】
1.于总间隔的模糊V-相对间隔学习机算法，其特征在于包含以下步骤: 步骤一:在传统的相对间隔学习机(RMM)中融合FSVM和TM-SVM方法，对这些方法进行集成和扩展； 步骤二:训练样本根据它们相关度的不同而采用不同的处理方式，对每个训练数据赋予一个相...

【专利技术属性】
技术研发人员：龙章勇，
申请(专利权)人：龙章勇，
类型：发明
国别省市：