论文部分内容阅读
为获得更好的分类性能,对传统模糊支持向量机(FsVM)进行扩展,提出一种总间隔V-模糊支持向量机(TM—V—FSVM)。通过使用差异成本及引入总间隔和模糊隶属度,同时解决不平衡训练样本问题和传统软间隔分类机的过拟合问题,从而提升学习机的泛化能力。采用UCI实际数据集进行模式分类实验,结果表明TM—v—FSVM具有稳定的分类性能。