1、支持向量機（SVM）是一種機器學習算法，它建立在統(tǒng)計學習理論的基礎上。具有成熟堅實的理論基礎和直觀的幾何解釋。支持向量機算法尋求的是類與類之間的最大間隔，支持面僅與少數(shù)的支持向量有關，因而具有稀疏性，但是同時也忽略了訓練樣本的數(shù)據(jù)結構。在現(xiàn)實的數(shù)據(jù)集中都含有大量的噪聲點和野點，針對這一情況，本文引入模糊的方法，給噪聲點和野點賦以小的模糊因子，從而減輕對訓練效果的影響。
　　本文考慮了訓練數(shù)據(jù)集的數(shù)據(jù)結構，在最小二乘支持向量機中引入

2、了類內離散度，同時為了減輕噪聲點和野點對算法的影響，加入了模糊因子，并利用KFCM來構造懲罰項中的模糊因子。主要創(chuàng)新如下：
　?。?）提出了基于類內離散度的最小二乘支持向量機。將Fisher判別分析（FDA）里面的類內離散度引入到了最小二乘支持向量機中，形成新的基于類內離散度的最小二乘支持向量機（WCSLS-SVM）算法，并給出了在特征空間的對偶問題和求解方法。傳統(tǒng)的支持向量機算法尋求的是最大間隔，與傳統(tǒng)的相比，該算法將訓練樣本的

3、數(shù)據(jù)結構考慮進去，實驗結果表明該算法分類準確度較高。
　　（2）提出了基于組合特征映射的 FCM算法。將生成局部核函數(shù)和全局核函數(shù)的特征映射在特征空間進行正交化處理，然后將它們進行線性組合成新的特征映射，生成新的核函數(shù)，同時給出了FCM在特征空間的模糊隸屬度的求解方法以及核函數(shù)的組合權重的求解。
　?。?）提出了基于組合特征映射 FCM的模糊 WCSLS-SVM算法，為了減輕野點對WCSLS-SVM算法的影響，在懲罰項中加入