基于双隶属度模糊支持向量机的邮件过滤

针对邮件所含信息的模糊性和合法邮件与垃圾邮件错分代价的不对称性提出了基于双隶属度模糊支持向量机的邮件过滤方法,通过对每个样本赋予不同的双隶属度,得到最优分类器,提高了邮件过滤的正确率。经仿真实验证明,该方法能够有效降低将合法邮件误判为垃圾邮件,而且有很高的正确率等特点。

双隶属度模糊支持向量机算法

对现有的模糊支持向量机进行分析,提出一种改进的模糊支持向量机算法——双隶属度模糊支持向量机法(DM-FSVM)。在传统的模糊支持向量机模型中,每一个训练样本的隶属函数中只有一个隶属度,而DM-FSVM中每一个训练样本拥有两个隶属度。它既能保持传统模糊支持向量机的优点,又能充分利用有限样本,增加其分类推广能力。实验表明该算法较好地提高了分类精度。

基于密度法的双隶属度模糊支持向量机

针对现实环境中样本集越来越大,并且往往含有大量噪声和野值,导致传统模糊支持向量机的训练时间和分类识别率降低的问题,提出基于密度法的双隶属度模糊支持向量机,即靠近类中心的样本点隶属度由其到类中心的距离确定,远离类中心的样本点隶属度由其邻域内同类异类样本点数量的比例确定。从理论和实证两个方面分析文中方法与以往基于密度的模糊支持向量机(DFSVM)相比,该方法不但降低了算法的复杂度,并且提高了支持向量机的分类精度。

改进的双隶属度模糊支持向量机

针对传统的支持向量机(SVM)中存在对噪声和孤立点敏感,容易产生过拟合的问题,提出一种新的模糊隶属度函数设计方法――基于密度法的双隶属度模糊支持向量机方法(DM-FSVM)。该方法不仅考虑样本到类中心的距离,同时根据样本点到类中心的距离将样本分为两类,类中心附近样本点的隶属度由该样本点到类中心的距离确定,而对于远离类中心的样本点来说,其隶属度由邻域内同类与异类样本点数目的比值来确定。同时,针对模糊支持向量机普遍存在训练时间过长的难题,使用截集模糊C-均值聚类的方法对训练样本进行聚类处理,以聚类中心作为新的样本进行训练。最后数值实验表明,与传统的支持向量机和以往的FSVM相比,有效地提高了分类速度和精度。

基于双隶属模糊支持向量机的中小企业信用评价

构建了中小企业信用评价的双隶属模糊支持向量机模型(DFSVM),使每个训练样本依双隶属度同时隶属于两个信用类别,并通过粗糙集的属性约简方法确定支持向量机的最优输入指标组合。考虑到银行对于信用风险的厌恶,在模型的训练阶段对样本进行了"非对称"处理。实证结果表明,与传统的判别分析方法相比,建立的企业信用判别模型精度更高,调整后的模型可以进一步降低银行的信用风险。

基于直觉模糊理论的签派放行决策研究

签派放行是航班起飞前的重要环节,签派员需要对飞机进行放行评估,然而影响放行的因素较多,包括签派员主观经验和客观事实数据,需要融合多源信息从而进行放行评估。针对放行过程中主观条件和客观条件掺杂且无法量化的特点,构建双隶属度函数,根据直觉模糊函数中隶属度、犹豫度构建决策支持模型,为签派员放行提供决策支持。

双模糊渐进直推式支持向量机算法

直推式支持向量机(TSVM)是支持向量机与直推式学习相结合的重要算法.文中为TSVM中的临时标签样本引入双模糊隶属度以及样本修剪策略,构建一种双模糊渐进直推式支持向量机(BFPTSVM)算法.该算法可有效降低TSVM的计算复杂度及核存储量.模拟实验表明该算法可取得比其他算法更好的分类性能,并且具有较快的收敛速度.

基于改进支持向量机的上市公司财务困境判别研究

针对上市公司财务困境判别研究的不足,本文构建了财务困境判别的双隶属模糊支持向量机模型,使每个训练样本依双隶属度同时隶属于两个类别;考虑到财务困境判别研究中两类样本非平衡的问题,本文构建了一种基于非平衡数据的改进支持向量机模型。实证结果表明,与已有的支持向量机模型相比,本文构建的改进支持向量机模型在对上市公司财务困境进行判别时精度更高,具有良好的应用价值。