论文部分内容阅读
针对隶属度函数选择困难的问题，本文提出概率双边加权模糊支持向量机PBWFSVM。不同于视输入完全属于某类的传统单边加权松弛的模糊支持向量机(FuzzySupport Vector Machine，FSVM)，该算法视输入同时归属正类和负类,计算输入样本属于相应类别的概率确定其属于此类的隶属度，并以此隶属度双边加权相应松弛作为目标函数的惩罚项。UCI数据集上的仿真实验表明：与SVM及基于样本之间紧密度的FSVM相比，概率双边加权模糊支持向量机具有更好的抗噪性能及更高的分类精度。