课程学习模糊支持向量机

抗噪能力更强

采用课程学习策略和自适应模糊隶属度函数，提升支持向量机在噪声数据上的鲁棒性。

Chen, Baihua · 高云龙 · 刘景华 · Wei, Weng · Jiamei, Huang · Fan, Yuling · 兰维瑶

IEEE Transactions on Fuzzy Systems 2023

技术优势

抗噪更鲁棒

课程学习策略让模型先学简单样本，避免噪声干扰并获得良好初始解，再逐步学习困难样本，从而提高整体鲁棒性。

样本重要性可自适应

提出基于松弛变量的模糊隶属度函数来评估样本重要性，并在学习过程中根据反馈自适应调整，能更合理地处理噪声和异常值。

应用场景

• 机器学习：提供一种对噪声更鲁棒的SVM变体，可直接用于分类任务。
• 模式识别：改进的模糊机制能更好地处理模式识别中的噪声数据。
• 数据分类：在噪声环境下获得更高的分类准确率。