典型文献
双重特征加权模糊支持向量机
文献摘要：
针对当前基于特征加权的模糊支持向量机(FSVM)只考虑特征权重对隶属度函数的影响,而没有考虑在样本训练过程中将特征权重应用到核函数计算中的缺陷,提出了同时考虑特征加权对隶属度函数和核函数计算的影响的模糊支持向量机算法——双重特征加权模糊支持向量机(DFW-FSVM).首先,利用信息增益(IG)计算出每个特征的权重;然后,在原始空间中基于特征权重计算出样本到类中心的加权欧氏距离,进而应用该加权欧氏距离构造隶属度函数,并在样本训练过程中将特征权重应用到核函数的计算中;最后,根据加权的隶属度函数和核函数构造出DFW-FSVM算法.该方法避免了在计算过程中被弱相关或不相关的特征所支配.在8个UCI数据集上进行对比实验,结果显示DFW-FSVM算法的准确率和F1值较5个对比算法(SVM、FSVM、特征加权SVM(FWSVM)、特征加权FSVM(FWFSVM)、基于中心核对齐的FSVM(CKA-FSVM))中的最好结果分别提升了2.33和5.07个百分点,具有较好的分类性能.
文献关键词：
模糊支持向量机;特征加权;信息增益;核函数;隶属度函数
中图分类号：
作者姓名：
邱云志;汪廷华;戴小路
作者机构：
赣南师范大学数学与计算机科学学院,江西赣州341000
文献出处：
引用格式：
[1]邱云志;汪廷华;戴小路-.双重特征加权模糊支持向量机)[J].计算机应用,2022(03):683-687
A类：
DFW,FWSVM,FWFSVM,中心核对齐
B类：
特征加权,模糊支持向量机,特征权重,隶属度函数,样本训练,训练过程,过程中将,核函数,支持向量机算法,信息增益,IG,权重计算,类中心,加权欧氏距离,不相关,UCI,对比算法,CKA,百分点,分类性能
AB值：
0.173907
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
