.png){kind=icon}
返回
A robust fuzzy twin support vector machine with kernel-target alignment for binary classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.112189.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多与支持向量机孪生版本及其变体相似的算法在非线性数据点的二分类中表现出更好的结果。但在存在离群值和噪声的情况下，这些算法表现出较低的泛化效率。为缓解这一挑战，近期提出的基于核-目标对齐的模糊最小二乘孪生有界支持向量机（KTA-FLSTBSVM）使用了模糊隶属度值，并通过最小二乘法求解。受此策略启发，为进一步改进，我们提出了一种新颖的方法，称为决策支持核-目标对齐基于模糊最小二乘孪生有界支持向量机（DS-KFIFTBSVM）。DS-KFIFTBSVM结合了核化的模糊隶属度值与正则化的孪生支持向量机，并采用功能迭代方法求解线性及非线性数据点。在DS-KFIFTBSVM中，解是通过求解线性收敛的迭代方案获得的，而非求解二次规划问题。所提出的DS-KFIFTBSVM提供了更好的泛化效率，已使用线性核和高斯核进行评估，主要针对人工开发和公开可访问的数据集，具有多样的维度。在线性和非线性情况下，根据特异性、精确度、误报率、误分类误差率、F_score和几何平均等各项性能评估指标，DS-KFIFTBSVM优于多种基线方法。它在多个数据集上表现出最高准确率，包括musk数据集（线性核）的98.1884%和glass数据集（高斯核）的100%。进一步的统计分析证实了其分类效率。
期刊
IF:
8
论文数:
5.4K
被引数:
3.5W
机构
引用论文
Key Feature Recognition Algorithm of Network Intrusion Signal Based on Neural Network and Support Vector Machine.png)
Symmetry
OAAI
SymmetryIF0
OAAI分享收藏Novel austenitic steel ageing classification method using eddy current testing and a support vector machineMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Robust least squares twin bounded support vector machine with a generalized correntropy-induced metric[J]鲁棒最小二乘双边界支持向量机及其广义相关熵诱导度量[J]
IF0
PREAI
分享收藏
分享收藏
查看更多内容