论文部分内容阅读
针对传统模糊支持向量机存在对样本点赋予隶属度值不够精确的问题，提出了一种新的模糊支持向量机分类算法，并应用于经颅多普勒超声(TCD)数据分类。该算法首先对样本做预处理，预选有效候选支持向量并排除野值和噪声点，缩减训练样本的规模，提高分类器效率。其次考虑到医疗数据的不平衡性引入了DEC算法，再将过类中心超平面平移，结合样本点与平移后的过类中心超平面的距离来设计模糊隶属度函数，有效突出支持向量的作用以优化分类超平面。实验结果表明，相比较于传统模糊支持向量机，该算法对TCD医疗数据分类性能提升明显，分类器性能G