论文部分内容阅读
对利用超平面、超（椭）球等几何形状实现数据分类的基于边界的主流分类方法进行了研究,在此基础上,提出了一种将空间点作为分类依据的最大间隔模糊分类器（MFC）。该方法首先在模式空间中找到一个模糊分类点c,c点距离两类样本要尽可能近且类间夹角间隔尽可能大。然后,测试样本通过c与训练样本间的最大化夹角间隔实现分类。最后,利用MFC的核化对偶式与最小包含球（MEB）的等价性,将MFC的应用范围从二类推广到单类。与主流分类方法的比较实验表明,MFC具有优良的分类性能和抗噪能力,其分类最高精度可达98.8%。