基于FSVM算法的多模态情感数据自动采集方法

多模态情感数据采集过程中,容易出现数据自动采集结果冗余度较高的问题。因此,提出一种基于FSVM算法的多模态情感数据自动采集方法。获取不同情感状态下语音信号和脑电信号,提取多模态情感数据特征,再进行特征融合。采用FSVM算法设计数据识别算法,在数据样本隶属度赋予过程中准确避开噪声点或野值点,完成多模态情感数据的准确分类。最后,在FPGA芯片的作用下完成数据自动采集。实验结果表明:相较对比方法,所提方法的多模态情感数据采集结果的平均冗余度低。

基于改进FSVM的数据挖掘分类算法

针对模糊支持向量机(FSVM)应用于数据挖掘分类中存在对大样本集训练速度慢以及对噪声点敏感影响分类正确率的问题,提出一种基于改进FSVM的数据挖掘分类算法.该算法首先预选有效的候选支持向量,减小训练样本数目,提高训练速度;其次定义一种新的隶属度函数,增强支持向量对构建模糊支持向量机的作用;最后将近邻样本密度应用于隶属度函数设计,降低噪声点或野值点对分类的影响提高分类正确率.实验结果表明,该算法在训练样本数目较大时训练速度和分类正确率都有提高.

一种新的模糊支持向量机多分类算法

在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机(fuzzy support vectormachines,FSVM)的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合分类方法,提出了一种基于一对多组合的模糊支持向量机多分类算法,并与1-a-1(one-against-one)组合和1-a-a组合的分类算法比较。数值实验表明,该算法是有效的,有较高的分类准确率,有更好的泛化能力。