基于KFCM的子空间样本选择方法  

Subspace samples selection based on KFCM

作　　者：许友权[1] 吴陈[1] 杨习贝[1,2] 汤莹[1] 

机构地区：[1]江苏科技大学计算机科学与工程学院,江苏镇江212003 [2]南京理工大学计算机科学与技术学院,南京210094

出　　处：《信息技术》2014年第10期30-34,共5页Information Technology

基　　金：江苏省自然科学基金重点资助项目(BK2011492)

摘　　要：针对训练样本中包含边界样本数量的多少对支持向量机分类的精度起主要作用,提出基于核模糊C均值算法(KFCM)先对样本集进行聚类,然后利用得到的模糊隶属度矩阵计算样本的模糊熵,通过设定阈值进行子空间样本的选择,最后将得到的子空间样本作为支持向量机(SVM)的训练样本。实验结果证实,由于应用了KFCM方法克服了一些传统样本选择方法在不知道样本类别的情况下,其无法较准确地对任意形状的簇的子空间样本进行选择,同时该方法保留了典型样本,减少了训练样本的数量,从而保证了分类器的性能和较高的训练效率。通过实验比较,该方法在选取子空间样本的性能上比传统的方法要好。To demonstrate how the number of boundary samples among training sets affects the precision during the classification by SVM, this paper proposed kernel fuzzy C-means （ KFCM ） method. It takes advantage of fuzzy entropy through computing fuzzy membership degree matrix, and chooses subspace samples by setting the threshold value,and finally gets subspace samples as training samples for support vector machine （SVM）. The results show that due to the KFCM method be applied to overcome the traditional some samples selection methods which category of the sample is not required can not accurately select subspace samples from arbitrary shape. The experimental results show that the method of the performance is better than that of the tradition.

关 键 词：核模糊聚类 支持向量机 样本选择 子空间 模糊熵 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程] TP301.6[自动化与计算机技术—控制科学与工程]