1、支持向量機(jī)(Support Vector Machine，SVM)以最優(yōu)化理論和統(tǒng)計(jì)學(xué)理論作為理論基礎(chǔ)，是一種性能良好的機(jī)器學(xué)習(xí)方法，有效地解決了局部極小點(diǎn)、小樣本、非線性等實(shí)際問題，目前已成功應(yīng)用于模式識(shí)別、回歸預(yù)測等諸多領(lǐng)域，有力的推動(dòng)了機(jī)器學(xué)習(xí)理論與應(yīng)用的發(fā)展。由于傳統(tǒng)支持向量機(jī)對噪點(diǎn)或野值點(diǎn)敏感，往往會(huì)影響分類性能，對此，國內(nèi)外學(xué)者將模糊隸屬度函數(shù)引入，構(gòu)造了模糊支持向量機(jī)模型，賦予樣本點(diǎn)以不同的懲罰程度，從而有效地降低了噪點(diǎn)或

2、野值點(diǎn)對傳統(tǒng)支持向量機(jī)帶來的影響，提高了分類問題的魯棒性。隸屬度函數(shù)直接影響到模糊支持向量機(jī)的性能，因此如何構(gòu)造是其重點(diǎn)，也是難點(diǎn)，目前尚未見統(tǒng)一的標(biāo)準(zhǔn)。
　　本文主要針對以上不足之處，對模糊支持向量機(jī)算法(Fuzzy Support Vector Machine，F(xiàn)SVM)進(jìn)行了研究與改進(jìn)，隨后將其應(yīng)用到數(shù)據(jù)實(shí)驗(yàn)中，驗(yàn)證了其有效性。本文的主要工作有:
　　1.較為詳細(xì)的介紹了SVM和FSVM相關(guān)理論知識(shí)，主要包括模型的產(chǎn)生

3、、推導(dǎo)、演變以及其各自的非線性推廣，在FSVM部分更是給出了模糊支持向量機(jī)模型中涉及到的模糊數(shù)學(xué)中相關(guān)定義及定理。
　　2.提出一種基于樣本與超平面距離的隸屬函數(shù)的構(gòu)造方法，并將隸屬度作為權(quán)值引入模糊支持向量機(jī)模型，構(gòu)造出了一種基于與超平面距離的隸屬度加權(quán)模糊支持向量機(jī)模型(IFM-WFSVM)，并在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上分別驗(yàn)證了該算法的有效性。
　　3.提出一種基于DP聚類(Clustering by Fast Se