论文部分内容阅读
模糊支持向量分类机是将模糊集合理论与支持向量分类机相结合，针对支持向量分类机对训练样本集合中噪声点或孤立点的敏感性问题而提出的一种新方法。它最早是由Takugalnouet和ShigeoAbe于2001年提出的，之后不断有学者对其进行研究，并相应提出了多种模糊支持向量分类机的改进算法。最初的模糊支持向量分类机是针对二类分类问题设计的，即在支持向量二类分类机的基础上通过引入模糊隶属度函数来增强支持向量分类机对噪声点或孤立点的抗干扰能力，以此来增强支持向量分类机对数据样本的分类准确性及推广能力，但实际应用中的数据分类问题通常是多类问题，这就需要在模糊支持向量二类分类机的基础上进一步探讨模糊支持向量多类分类机算法，使其它在实际应用领域中得到越来越广泛的应用。
本文针对多类分类问题，结合自适应遗传算法对模糊支持向量多类分类机进行研究，主要内容如下：
(1)针对支持向量机中核函数的参数优化及误差惩罚参数C的优化问题，提出了基于自适应遗传算法的参数优化方法。在传统遗传算法中，交叉概率Pc和变异概率Pm的值始终保持不变，与种群的进化过程无关，这样很容易出现“早熟”现象，陷入局部最优解，降低了算法的搜索效率及寻优效率。因此，本文提出一种改进的自适应遗传算法(IAGA)来优化核函数参数及误差惩罚参数C，以此提高种群的多样性，提高搜索能力，防止过早陷入局部最优解，保证算法的收敛性及得到全局最优解。
(2)针对模糊支持向量多类分类机的参数选择问题，将一种混合函数、基于紧密度的隶属度函数及1-v-1多类分类法相结合，提出一种改进的模糊支持向量多类分类机算法，以此增强了模糊支持向量多类分类机的推广能力，提高了其对数据样本的分类准确率及训练速度。
(3)将提出的改进自适应遗传算法与改进的模糊支持向量多类分类机算法相结合，提出了基于遗传参数优化的模糊支持向量多类分类机算法。通过两种算法的结合，进一步增强了模糊支持向量多类分类机的分类准确率，提高了算法的运行速度。
最后分别对提出的改进自适应遗传算法与基于遗传参数优化的模糊支持向量多类分类机算法进行仿真实验，通过实验来验证改进算法的有效实用性。
本文针对多类分类问题，结合自适应遗传算法对模糊支持向量多类分类机进行研究，主要内容如下：
(1)针对支持向量机中核函数的参数优化及误差惩罚参数C的优化问题，提出了基于自适应遗传算法的参数优化方法。在传统遗传算法中，交叉概率Pc和变异概率Pm的值始终保持不变，与种群的进化过程无关，这样很容易出现“早熟”现象，陷入局部最优解，降低了算法的搜索效率及寻优效率。因此，本文提出一种改进的自适应遗传算法(IAGA)来优化核函数参数及误差惩罚参数C，以此提高种群的多样性，提高搜索能力，防止过早陷入局部最优解，保证算法的收敛性及得到全局最优解。
(2)针对模糊支持向量多类分类机的参数选择问题，将一种混合函数、基于紧密度的隶属度函数及1-v-1多类分类法相结合，提出一种改进的模糊支持向量多类分类机算法，以此增强了模糊支持向量多类分类机的推广能力，提高了其对数据样本的分类准确率及训练速度。
(3)将提出的改进自适应遗传算法与改进的模糊支持向量多类分类机算法相结合，提出了基于遗传参数优化的模糊支持向量多类分类机算法。通过两种算法的结合，进一步增强了模糊支持向量多类分类机的分类准确率，提高了算法的运行速度。
最后分别对提出的改进自适应遗传算法与基于遗传参数优化的模糊支持向量多类分类机算法进行仿真实验，通过实验来验证改进算法的有效实用性。