1、支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論上發(fā)展起來(lái)的一種機(jī)器學(xué)習(xí)方法。由于較好的解決了小樣本、非線性、高維數(shù)、局部極小值等問(wèn)題以及具有良好的推廣能力，SVM已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。但傳統(tǒng)的支持向量機(jī)對(duì)樣本中的噪聲和孤立點(diǎn)非常敏感，為了克服這個(gè)問(wèn)題，提出了模糊支持向量機(jī)(FSVM)理論。在模糊支持向量機(jī)中如何構(gòu)造合適的隸屬度函數(shù)成為FSVM首要解決的問(wèn)題。另外，如何從幾何角度改進(jìn)FSVM也已成為當(dāng)今研究FSVM的又一個(gè)熱點(diǎn)。本文詳

2、細(xì)論述了支持向量機(jī)理論、算法和性質(zhì)，并通過(guò)構(gòu)造合適的隸屬度函數(shù)、核函數(shù)以及改進(jìn)FSVM的幾何結(jié)構(gòu)，實(shí)現(xiàn)了對(duì)FSVM理論和算法的改進(jìn)和完善。在對(duì)該課題進(jìn)行深入研究后，主要做了如下創(chuàng)新性的工作：(1)用從信息幾何角度構(gòu)造的動(dòng)態(tài)核函數(shù)表示樣本點(diǎn)和類中心的距離以及樣本間的密切度，即把核方法的思想引入到距離和密切度的表示中；(2)將基于類中心和密切度的模糊分類和回歸隸屬度函數(shù)分別進(jìn)行組合，提出了基于類中心和密切度的乘積組合分類和回歸隸屬度函數(shù)，它