基于粗糙模糊和模糊粗糙聚类的支持向量机

论文摘要

在分析归纳原有聚类方法不足的基础上,结合粗糙理论和模糊理论,首先,给出了一种改进的粗糙模糊K-均值聚类算法;其次,设计了一种新的模糊粗糙K-均值聚类算法,并验证了该聚类算法的有效性;进而将这两种聚类算法应用到支持向量机中,对训练样本做预处理,以减少样本数目,提高其训练速度和分类精度。最后,在考虑样本紧密度的基础上,提出了一种新的模糊隶属度的确定方法,构建了一种新的模糊支持向量机。实验结果显示该方法可以给非支持向量赋予很小的隶属度,降低其对分类面的影响。同时,又能确保支持向量有较大的隶属度,提高模糊支持向量机的分类精度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 本文的研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文的主要内容
• 第2章 预备知识
• 2.1 经典K-均值（KM）聚类算法
• 2.2 模糊K-均值（FKM）聚类算法
• 2.3 粗糙K-均值（RKM）聚类算法
• 2.4 支持向量机理论
• 2.4.1 线性可分支持向量机
• 2.4.2 非线性支持向量机
• 第3章 基于粗糙模糊和模糊粗糙K-均值聚类的支持向量机
• 3.1 粗糙模糊K-均值（RFKM）聚类算法的改进算法
• 3.1.1 聚类中隶属函数的改进
• 3.1.2 关于上近似限的讨论
• 3.2 模糊粗糙K-均值（FRKM）聚类算法及聚类有效性
• 3.2.1 模糊粗糙K-均值聚类算法
• 3.2.2 聚类的有效性
• 3.3 两种聚类算法的比较
• 3.4 FRKM 聚类算法的程序实现
• 3.5 实验结果与分析
• 第4章 基于粗糙模糊和模糊粗糙K-均值聚类的模糊支持向量机
• 4.1 模糊支持向量机
• 4.2 隶属度的确定
• 4.3 实验结果与分析
• 第5章 结论与展望
• 参考文献
• 致谢
• 攻读学位期间取得的科研成果