基于核目标对齐的鲁棒模糊双支持向量机在二分类中的决策支持创新研究

本文提出DS-KFIFTBSVM（决策支持核化模糊迭代函数双有界支持向量机），通过融合模糊理论（Fuzzy Theory）与核目标对齐（KTA）技术，在原始空间构建非线性分类模型。该模型采用L2范数正则化和功能迭代求解方案，显著提升对噪声/异常值的鲁棒性，在Musk数据集实现98.19%准确率（线性核），较传统TSVM（91.67%）和KTA-FLSTBSVM（97.83%）具有显著优势，为高维生物医学数据分类提供新范式。

　　

Highlight

本研究的核心创新点包括：

? 通过引入正则化项遵循结构风险最小化（SRM）原则，相比TSVM、LSTSVM等模型显著提升泛化性能

? 采用功能迭代方案（Functional Iterative Scheme）解决原始空间优化问题，避免二次规划（QPP）计算瓶颈

? 基于核空间的模糊隶属度加权机制，有效抑制噪声和异常值干扰（如Musk数据集FP_rate低至4.2%）

? 实验证明在17个标准数据集上，DS-KFIFTBSVM的F_score和几何均值（G_mean）全面超越基线模型

Mathematical Background

受Sartakhti等人(2019)和Lin(2004)启发，我们将模糊概念融入TSVM框架，提出DS-KFIFTBSVM的原始空间求解范式。通过核特征空间距离计算样本权重，其目标函数强凸性保证全局最优解，决策函数与TBSVM保持几何一致性。

Numerical Experiments

在Glass数据集（高斯核）实现100%分类准确率，计算效率较传统QP求解器提升4倍。特别适用于：

• 高维生物标志物筛选（如167维Musk数据）

• 类别不平衡场景（如非对称样本分布）

• 存在测量噪声的临床数据分类

Conclusion and Future Direction

DS-KFIFTBSVM为生物医学模式识别提供新工具，未来可拓展至：

① 多模态医学影像融合分类

② 动态流式数据处理

③ 基于注意力机制的加权策略优化