传统SVM（支持向量机）通过最优超平面将样本划分为互相对立的两个类，然而在实际应用中 一般要解决的是多类识别问题，而且在某些情况下每个样本并不是完全能够划归到某一类，即样本与类别之间存在着某种模糊的隶属关系。由此 Lin等人提出 FSVM（模糊支持向量机）方法通过给样本增加一个模糊隶属关系来充分利用样本的信息，很多学者也提出了FSVM 的改进方法FSVM 方法进一步完善支持向量机多分类方法。但对于大数据量的模式分类等问题它在样本训练阶段的复杂度仍然很高。
Based on this, we proposed the Fuzzy Support Vector Machines (FSVM).
在此基础上，构造模糊支持向量机(算法)。
In order to improve the training efficiency, an advanced Fuzzy Support Vector Machine (FSVM) algorithm based on the density clustering (DBSCAN) is proposed.
为了提高模糊支持向量机在数据集上的训练效率，提出一种改进的基于密度聚类(DBSCAN)的模糊支持向量机算法。
The adaptive parameter optimization algorithm is applied to dynamically search the parameters of FSVM(Fuzzy Support Vector Machine) to enhance the convergence speed.
为提升算法的收敛速度，采用参数自适应优化算法动态搜索模糊支持向量机的模型参数。
应用推荐