刘建峰，淦 燕

(1.重庆三峡学院 教务处，重庆 404100; 2.电子科技大学 计算机视听觉实验室，重庆 404100)



基于模糊多核学习的改进支持向量机算法研究

刘建峰1，淦 燕2

(1.重庆三峡学院 教务处，重庆 404100; 2.电子科技大学 计算机视听觉实验室，重庆 404100)

针对传统SVM对噪声点和孤立点敏感的问题，以及不能解决样本特征规模大、含有异构信息、在特征空间中分布不平坦的问题，将模糊隶属度融入多核学习中，提出了一种模糊多核学习的方法；通过实验验证了模糊多核学习比传统SVM、模糊支持向量机以及多核学习具有更好的分类效果，从而验证了所提方法能够有效的克服传统SVM对噪声点敏感以及数据分布不平坦的问题。

支持向量机；模糊支持向量机；多核学习；模糊多核学习

0 引言

自20世纪90年代Vapnik等人提出支持向量机理论[1](Support Vector Machine, SVM)以来，已经在手写数字识别、语音识别、人脸识别、文本分类和医学图像分类等领域中得到广泛应用，均表现出良好的分类效果。简单地说SVM就是升维和线性化，升维即通过一个非线性映射将样本空间映射到一个高维(或是无穷维)的特征空间，在特征空间中寻找一个最优分类超平面，该分类超平面能将一个二分类问题正确的划分，且要求分类间隔最大化。寻找最优超平面的过程可以归结为一个二次规划问题，通过Lagrangian乘子法求出它的对偶问题的解，从而得到其本身的解。为了更好地理解SVM的本质，需要理解以下四点[2]：分类面；最大间隔；软间隔；核函数。这……