یک ماشین بردارپشتیبان فازی دو جانبه آمیخته با مدل مخلوط گوسی

ماشین بردار پشتیبان فازی یکی از استثنایی ترین روش ها برای مقابله با عدم قطعیت در مسئله طبقه بندی است. تابع عضویت یک ابزار مناسب برای مدلسازی عدم قطعیت است. هدف استفاده از تابع عضویت، متمایز ساختن نقاط مختلف ازنقطه نظر اهمیت آنها در مساله است. تابع عضویت سنتی، مبتنی بر فاصله مشاهدات تا مرکز کالس متناظر است. با این حال، مراکز کلاسها تحت تاثیرداده های پرت قرار دارند. برای جلوگیری از این اثر، ما از یک روش یادگیری بدون نظارت به نام مدل مخلوط گوسی در ساختار تابع عضویت استفاده کردیم. تابع عضویت پیشنهادی در دو دسته مختلف مبتنی بر فاصله و مبتنی برروش بیزی ارایه شده است. در روش های پیشنهادی ما بر خالف تابع عضویت سنتی، تاثیر داده های پرت در مرحله آموزش با کاهش درجه اهمیت آنها، کاهش مییابد. ترکیب ماشین بردار پشتیبان فازی سنتی با مدل مخلوط گوسی، باعث افزایش دقت طبقه بندی و همچنین جلوگیری از ایجاد مشکلات مربوط به بیش- برازش میشود. برتری روش های پیشنهادی توسط مجموعه داده های سنتزی و واقعی مورد ارزیابی قرار گرفت. علاوه براین، آزمون ناپارامتری فردمن و آزمون تعقیبی نمنی برای اثبات معنی دار بودن اختلاف بین طبقه بندها از لحاظ آماری مورد استفاده قرار گرفتند.