Page 269 - 《软件学报》2025年第10期

4666 软件学报 2025 年第 36 卷第 10 期

11. else
12. 回到步骤 5
13. end
14. end
15. if W 非空 then
16. 找到使得 ξ 最大的 w (n−1) ∗ ,b (n−1) ∗ , 令 H (n) = [h (n) ∗ ,...,h (n) ∗ ];
L n L n L n 1 L n
Break (转到步骤 22)
17. else
18. Continue 转到步骤 4
19. end
20. end
21. end
(n)
∗
22. 令 H := [H,H ], 通过公式 (30) 计算 β ,
L n
(n) (1) (n)
∗
,
令 E = Hβ −T e := e ,L n := L n +1;
L n 0 L n
23. end
e (n+1) = e ,Ω,W = []
(n)
24. 令 0
25. end
26. Return β ,ω ,b ∗
∗
∗
2.3 算法复杂度分析
N, 由于隶属度和非隶属度值是根据每个数据样本计算的, 因此这一部分的时间复杂
设数据集的样本个数为
3
度为 O(N). 算法模型另一部分的时间复杂度主要取决于矩阵求逆的计算量 N 阶矩阵的求逆时间复杂度为 O(N ).
3
3
因此, IFDSCN 算法的时间复杂度为 O(N )+O(N) ≈ O(N ).
3 实 验
3.1 实验设置
所有实验都是在 Matlab R2022b、Intel(R) Core(R) CPU 12900H 2.50 GHz、32 GB RAM, Windows 11 系统的
实验平台上进行的. 在 IFTWSVM、IFKRR 和 IFSCN 模型中, 我们通过核函数将样本映射到高维空间中生成直觉
模糊权值. 在本实验中使用高斯核:

( (( ) ))
2
K (x 1 , x 2 ) = exp − ∥x 1 − x 2 ∥ /µ 2 (31)
其中, µ 为核参数. 将数据集按训练集:测试集=7:3 的比例进行随机划分. 我们利用网格搜索法对不同模型对应的
超参数进行优化, 调整参数的过程中利用了五折交叉验证法. 在五折交叉验证中, 将数据集随机划分为 5 个不相交
集, 其中一个集用于测试, 其余用于训练. 每个模型对应于最佳超参数的性能作为模型的最终精度.
用于评价算法的性能指标 ACC 计算方式如下:

TP+TN
ACC = (32)
TP+ FP+TN + FN
其中, 假阳性、真阳性、假阴性、真阴性分别用 FP、TP、FN、TN 表示.
3.2 实验数据集介绍
为了验证本文提出的模型性能, 我们在 UCI 和 KEEL 部分二分类基准数据集上进行了实验, 数据集的详细信
息如表 1 所示. 值得注意的是, 我们选用了部分不平衡数据集, 即正负样本比例悬殊的数据集进行实验. 不平衡数
据集由于某类样本数量较少, 因而模型需要利用有限的该类样本特征信息进行学习, 这对模型的二分类性能形成