论文部分内容阅读
在实际应用中，数据集样本规模、分布密度的不平衡性可能会使传统支持向量机（supportvectormachine，SVM）得到的分类超平面不是最优．在对传统支持向量机最优分类面分析的基础上，结合粒度计算（granularcomputing，GrC）理论，针对数据规模和分布密度不平衡的数据集，提出一种基于粒度偏移因子的粒度支持向量机（granularSVM，GSVM）学习方法，称为S—GSVM方法．该方法将原始样本用Mercer核映射到高维空间，然后在高维空间中对数据进行有效的粒划分，通过对不同的粒计算不同