一种新的模糊支持向量方法

本文以支持向量机理论为基础，针对条件属性与决策属性均为连续型的数据，根据实际问题的需要，提出了一种新的模糊支持向量方法——基于模糊支持向量机的模糊分类方法。给出了设计原理，计算与实现方法。并通过实例验证了这种模糊支持向量机的可行性与有效性。这种模糊支持向量机的特点是，对于决策属性为连续型的数据，这种算法先根据实际问题将样本点模糊化成若干类，然后再进行训练学习；并且对于新样本，并不是简单的预测出于其所对应的决策值，而是根据实际情况和它的条件属性给出其所对应的类及其属于该类大致程度。这种决策结果更符合实际情况，更加客观，而且更加易于理解。仿真试验结果表明这种新的模糊支持向量机方法不但有较高的分类准确率，而且对隶属度有很强的预测能力。这种模糊支持向量机方法优化了支持向量机的分类效果，提高了支持向量机的智能水平。