基于最小二乘孪生支持向量机的不确定数据学习算法

孪生支持向量机通过计算2个二次规划问题，得到2个不平行的超平面，用于解决二分类问题。然而在实际的应用中，数据通常包含不确定信息，这将会对构建模型带来困难。对此，提出了一种用于求解带有不确定数据的最小二乘孪生支持向量机模型。首先，对于每个实例，该方法都分配一个噪声向量来构建噪声信息。其次，将噪声向量结合到最小二乘孪生支持向量机，并在训练阶段得到优化。最后，采用一个2步循环迭代的启发式框架求解得到分类器和更新噪声向量。实验表明，跟其他对比方法比较，本方法采用噪声向量对不确定信息进行建模，并将孪生支持向量机的二次规划问题转化为线性方程，具有更好的分类精度和更高的训练效率。