论文部分内容阅读
为获得更好的分类性能，对传统模糊支持向量机（FsVM）进行扩展，提出一种总间隔V-模糊支持向量机（TM—V—FSVM）。通过使用差异成本及引入总间隔和模糊隶属度，同时解决不平衡训练样本问题和传统软间隔分类机的过拟合问题，从而提升学习机的泛化能力。采用UCI实际数据集进行模式分类实验，结果表明TM—v—FSVM具有稳定的分类性能。