技術(shù)特征：

1.一種模糊支持向量機隸屬度函數(shù)的獲取方法，其特征在于，包括以下步驟：

(1)、樣本數(shù)據(jù)輸入：在支持向量機中的目標(biāo)函數(shù)引入松弛變量ζ，建立軟間隔分類器，并為了限制其取值加入了懲罰參數(shù)C，目標(biāo)函數(shù)表示為：

${\min }_{\mathrm{\γ},w,b}\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ξ}}_i$

s.t. y⁽ⁱ⁾(w^Tx⁽ⁱ⁾+b)≥1-ξ_i,i＝1,...,m

ξ_i≥0,i＝1,...,m

支持向量機中的樣本數(shù)據(jù){x₁,x₂,x₃,...}，每個樣本xi有一個標(biāo)簽yi，{(x₁,y₁),(x₂,y₂),...}；

(2)、利用k-means確定正負(fù)樣本的類中心；

(3)、引入系數(shù)消除樣本不平衡：加入了一個隸屬度值si(0<si≤1)，對于樣本數(shù)據(jù)則有{(x₁,y₁,s₁),(x₂,y₂,s₂),...}，那么求解的目標(biāo)函數(shù)則為：

${\min }_{\mathrm{\&gamma;},w,b}\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{m}{\&Sigma;}}{s}_i{\mathrm{\&xi;}}_i$

s.t. y⁽ⁱ⁾(w^Tx⁽ⁱ⁾+b)≥1-ξ_i,i＝1,...,m

ξ_i≥0,i＝1,...,m；

(4)、區(qū)分“支持向量”和“噪聲點”：計算每個正樣本和負(fù)樣本之間的距離，距離達(dá)到兩類樣本間最小距離的樣本即為“支持向量”；

(5)、判斷隸屬度大??；

(6)、獲取隸屬度，從而提高樣本分類能力。

2.根據(jù)權(quán)利要求1所述的模糊支持向量機隸屬度函數(shù)的獲取方法，其特征在于，所述的步驟(2)中，基于k-means的樣本類中心選擇算法包括以下步驟：

a、計算兩兩樣本之間的距離d(x_i,x_j)；

b、計算樣本間距離的平均值：

$Meandist\left(S\right)=\frac{1}{n(n-1)}\&times;\mathrm{\&Sigma;}d(x_i,x_j);$

c、計算每個樣本的密度參數(shù)：

$density\left(x_i\right)=\underset{j=1}{\overset{n}{\&Sigma;}}u(MeanDist-d(x_i,x_j\left)\right)$

$u\left(z\right)=\left\{\begin{array}{c}1,z\&GreaterEqual;0\\ 0.z\&lt;0\end{array}\right.;$

d、具有最大密度參數(shù)的樣本被選為樣本類中心。

3.根據(jù)權(quán)利要求1所述的模糊支持向量機隸屬度函數(shù)的獲取方法，其特征在于，所述的步驟(5)中，對“支持向量”和“噪聲點”進(jìn)行不同的隸屬度計算：

$s_i=\left\{\begin{array}{cc}f\left({d_i}^{+}\right)& if\left|\right|\mathrm{\&Phi;}\left(x_i^{+}\right)-{\mathrm{\&Phi;}}_{cen}^{+}\left|\right|\&GreaterEqual;\left|\right|\mathrm{\&Phi;}\left(x_i^{+}\right)-{\mathrm{\&Phi;}}_{cen}^{-}\left|\right|\\ f\left({d_{i*}}^{+}\right)& if\left|\right|\mathrm{\&Phi;}\left(x_i^{+}\right)-{\mathrm{\&Phi;}}_{cen}^{+}\left|\right|\&lt;\left|\right|\mathrm{\&Phi;}\left(x_i^{+}\right)-{\mathrm{\&Phi;}}_{cen}^{-}\left|\right|\\ f\left({d_i}^{-}\right)& if\left|\right|\mathrm{\&Phi;}\left(x_i^{-}\right)-{\mathrm{\&Phi;}}_{cen}^{+}\left|\right|\&le;\left|\right|\mathrm{\&Phi;}\left(x_i^{-}\right)-{\mathrm{\&Phi;}}_{cen}^{-}\left|\right|\\ f\left({d_{i*}}^{-}\right)& if\left|\right|\mathrm{\&Phi;}\left(x_i^{-}\right)-{\mathrm{\&Phi;}}_{cen}^{+}\left|\right|\&gt;\left|\right|\mathrm{\&Phi;}\left(x_i^{-}\right)-{\mathrm{\&Phi;}}_{cen}^{-}\left|\right|\end{array}\right.$

$f\left(d_i\right)=\left\{\begin{array}{c}1-\frac{d_i}{max\left(d_i\right)+\mathrm{\&beta;}}\\ \frac{2}{1+\exp \left({\mathrm{\&beta;d}}_i\right)}\end{array}\right.$

$d_i=\left\{\begin{array}{c}\sqrt{\left|\right|\mathrm{\&Phi;}\left(x_i^{+}\right)-{\mathrm{\&Phi;}}_{cen}^{+}|{|}^2}\\ \sqrt{\left|\right|\mathrm{\&Phi;}\left(x_i^{-}\right)-{\mathrm{\&Phi;}}_{cen}^{-}|{|}^2}\end{array}\right.$

$d_{i*}=\left\{\begin{array}{c}\sqrt{\left|\right|\mathrm{\&Phi;}\left(x_i^{+}\right)-{\mathrm{\&Phi;}}_{*}^{-}|{|}^2}\\ \sqrt{\left|\right|\mathrm{\&Phi;}\left(x_i^{-}\right)-{\mathrm{\&Phi;}}_{*}^{+}|{|}^2}\end{array}\right.$

Φ(x_i⁺)表示了特征空間中的正樣本，Φ(x_i^-)表示了特征空間中的負(fù)樣本；是特征空間中正樣本中心，而表示了負(fù)樣本中心；正樣本中的支持向量，是負(fù)樣本中的支持向量；

d_i表示了樣本與類中心的距離，d_i*表示了樣本到類邊緣的距離。