改进的双隶属度模糊支持向量机

针对传统的支持向量机（SVM）中存在对噪声和孤立点敏感，容易产生过拟合的问题，提出一种新的模糊隶属度函数设计方法""基于密度法的双隶属度模糊支持向量机方法（DM-FSVM)方法不仅考虑样本到类中心的距离，同时根据样本点到类中心的距离将样本分为两类，类中心附近样本点的隶属度由该样本点到类中心的距离确定，而对于远离类中心的样本点来说，其隶属度由邻域内同类与异类样本点数目的比值来确定。同时，针对模糊支持向量机普遍存在训练时间过长的难题，使用截集模糊C-均值聚类的方法对训练样本进行聚类处理，以聚类中心作为新的样本进行训练。最后数值实验表明，与传统的支持向量机和以往的FSVM相比，有效地提高了分类速度和精度。