·594 北京科技大学学报 第34卷 表4按不同噪声分类器在Wine数据集性能比较 0.95 FCMCM Table 4 Performance comparison of classifiers with different noise rates E SVM in Wine data set 题C4.5 噪声率， 0.90 算法/ FCMCM BP C4.5 T/% 分类器 SVM 5-2-3 3-2-5 4-3-3 0.85 0 C4.5 4-15 5-1-4 一 BP 6-04 SVM 3-4-3 4-2-4 5-2-3 0.80 5 lris C4.5 14-5 4-2-4 Wine Sleel annealing Car BP 4-2-4 图3算法的性能比较 SVM 3-2-5 4-2-4 5-2-3 Fig.3 Performance comparison among algorithms C4.5 2-1-7 2-4-4 度标准，分别独立进行十次十交叉实验，结果如 BP 2-3-5 表2~表5所示 SVM 20-8 3-2-5 3-34 表2按不同噪声分类器在Cr数据集性能比较 15 C4.5 1-2-7 3-34 Table 2 Performance comparison of classifiers with different noise rates BP 3-2-5 in Car data set 表5按不同噪声分类器在Steel Annealing数据集性能比较 噪声率， 算法/ FCMCM BP C4.5 Table 5 Performance comparison of classifiers with different noise rates r/% 分类器 SVM 3-34 in Steel Annealing data set 5-2-3 4-2-4 0 C4.5 3-16 505 噪声率， 算法/ FCMCM BP C4.5 BP 4-15 T/% 分类器 SVM 244 6-1-3 4-3-3 SVM 505 5-3-2 4-2-4 C4.5 2-35 4-24 0 C4.5 4-1-5 44-2 BP 3-2-5 SVM 6-2-2 5-2-3 BP 3-16 一 一 2-44 10 C4.5 2-26 4-3-3 SVM 34-3 5-2-3 4-24 BP 2-26 C4.5 2-1-7 4-2-4 一 SVM 1-36 6-1-3 7-2-1 BP 1-36 C4.5 0-3-7 5-14 SVM 244 424 5-14 BP 0-46 10 C4.5 2-3-5 4-24 表3按不同噪声分类器在Iis数据集性能比较 BP 2-35 Table 3 Performance comparison of classifiers with different noise rates SVM 0-3-7 50-5 35-2 in Iris data set 15 C4.5 0-46 4-24 噪声率， 算法/ FCMCM BP C4.5 BP 0-28 T/% 分类器 SVM 244 4-24 4-3-3 以表2为例，表中每个数字单元格内容的含义 0 C4.5 3-3-4 4-24 BP 为对应行的算法（分类器）与对应列的算法（分类 4-3-3 SVM 3-25 4-15 4-3-3 器)性能比较，如第一个数字单元格内容为3-34， 5 C4.5 244 34-3 意味着在十次十交叉实验中，就分类性能而言，SVM BP 24-4 优于、等于、逊于本文模型的次数分别为3、3和4 SVM 2-3-5 4-24 2-3-5 次.在抗噪能力方面，本文模型在各种噪声测度下 10 C4.5 2-1-7 4-3-3 BP 2-1-7 性能最优；BP和C4.5性能大概相当，SVM则均好 SVM 1-2-7 3-34 6-2-2 于BP与C4.5.具体而言，当r=0时，本文模型的 C4.5 046 5-14 分类性能优于SVM、C4.5和BP的次数分别是1、3 BP 145 和1次，BP、C4.5和SVM分类性能差别不大：当r=北 京 科 技 大 学 学 报 第 34 卷 图 3 算法的性能比较 Fig． 3 Performance comparison among algorithms 度标 准，分别独立进行十次十交叉实验，结 果 如 表 2 ～ 表 5 所示． 表 2 按不同噪声分类器在 Car 数据集性能比较 Table 2 Performance comparison of classifiers with different noise rates in Car data set 噪声率， τ /% 算法/ 分类器 FCMCM BP C4. 5 SVM 3--3--4 5--2--3 4--2--4 0 C4. 5 3--1--6 5--0--5 — BP 4--1--5 — — SVM 2--4--4 6--1--3 4--3--3 5 C4. 5 2--3--5 4--2--4 — BP 3--2--5 — — SVM 2--4--4 6--2--2 5--2--3 10 C4. 5 2--2--6 4--3--3 — BP 2--2--6 — — SVM 1--3--6 6--1--3 7--2--1 15 C4. 5 0--3--7 5--1--4 — BP 0--4--6 — — 表 3 按不同噪声分类器在 Iris 数据集性能比较 Table 3 Performance comparison of classifiers with different noise rates in Iris data set 噪声率， τ /% 算法/ 分类器 FCMCM BP C4. 5 SVM 2--4--4 4--2--4 4--3--3 0 C4. 5 3--3--4 4--2--4 — BP 4--3--3 — — SVM 3--2--5 4--1--5 4--3--3 5 C4. 5 2--4--4 3--4--3 — BP 2--4--4 — — SVM 2--3--5 4--2--4 2--3--5 10 C4. 5 2--1--7 4--3--3 — BP 2--1--7 — — SVM 1--2--7 3--3--4 6--2--2 15 C4. 5 0--4--6 5--1--4 — BP 1--4--5 — — 表 4 按不同噪声分类器在 Wine 数据集性能比较 Table 4 Performance comparison of classifiers with different noise rates in Wine data set 噪声率， τ /% 算法/ 分类器 FCMCM BP C4. 5 SVM 5--2--3 3--2--5 4--3--3 0 C4. 5 4--1--5 5--1--4 — BP 6--0--4 — — SVM 3--4--3 4--2--4 5--2--3 5 C4. 5 1--4--5 4--2--4 — BP 4--2--4 — — SVM 3--2--5 4--2--4 5--2--3 10 C4. 5 2--1--7 2--4--4 — BP 2--3--5 — — SVM 2--0--8 3--2--5 3--3--4 15 C4. 5 1--2--7 3--3--4 — BP 3--2--5 — — 表 5 按不同噪声分类器在 Steel Annealing 数据集性能比较 Table 5 Performance comparison of classifiers with different noise rates in Steel Annealing data set 噪声率， τ /% 算法/ 分类器 FCMCM BP C4. 5 SVM 5--0--5 5--3--2 4--2--4 0 C4. 5 4--1--5 4--4--2 — BP 3--1--6 — — SVM 3--4--3 5--2--3 4--2--4 5 C4. 5 2--1--7 4--2--4 — BP 1--3--6 — — SVM 2--4--4 4--2--4 5--1--4 10 C4. 5 2--3--5 4--2--4 — BP 2--3--5 — — SVM 0--3--7 5--0--5 3--5--2 15 C4. 5 0--4--6 4--2--4 — BP 0--2--8 — — 以表 2 为例，表中每个数字单元格内容的含义 为对应行的算法( 分类器) 与对应列的算法( 分类 器) 性能比较，如第一个数字单元格内容为 3--3--4， 意味着在十次十交叉实验中，就分类性能而言，SVM 优于、等于、逊于本文模型的次数分别为 3、3 和 4 次． 在抗噪能力方面，本文模型在各种噪声测度下 性能最优; BP 和 C4. 5 性能大概相当，SVM 则均好 于 BP 与 C4. 5． 具体而言，当 τ = 0 时，本文模型的 分类性能优于 SVM、C4. 5 和 BP 的次数分别是 1、3 和 1 次，BP、C4. 5 和 SVM 分类性能差别不大; 当τ = ·594·