基于平方Pinball损失函数的双有界支持向量机迭代算法(Spin-FITBSVM)在噪声环境下的鲁棒分类研究

本文提出了一种创新的平方Pinball损失函数双有界支持向量机(Spin-FITBSVM)迭代算法，通过引入平方Pinball损失函数和正则化项，有效提升了模型在噪声环境下的鲁棒性和稳定性。相比传统SVM、TSVM等模型，该算法采用函数迭代法求解原始问题，无需外部优化工具箱，显著降低了计算复杂度。实验表明，Spin-FITBSVM在含噪数据集上展现出优异的分类性能和抗干扰能力。

　　

研究亮点

• 我们提出了一种针对分类问题的鲁棒模型，对噪声敏感性低且具有强凸性

• 与传统TSVM、pin-TSVM等模型不同，Spin-FITBSVM遵循结构风险最小化(SRM)原则，提供唯一解

• 采用函数迭代法求解Spin-FITBSVM模型，无需依赖外部优化工具箱

• 在UCI标准数据集和合成数据集上进行了广泛数值分析，验证了模型的适用性

结论

本研究通过平方Pinball损失函数重构了标准双支持向量机模型，提出新型分类器Spin-FITBSVM。该模型在原始问题中加入正则化项，既实现了SRM原则，又确保了噪声环境下的鲁棒性。通过函数迭代法直接求解原始问题，显著提升了计算效率。实验证明，该算法在0%和10%噪声水平的数据集上均表现出优越性能，为复杂环境下的模式分类提供了有效解决方案。