全文总字数：1830字

1. 毕业设计（论文）的内容、要求、设计方案、规划等

在半监督学习算法中，许多已存在的svm模型在训练分类面时是基于已有标签的数据基础上进行的，这些算法的提出出发点是从分类数据中选择显著的数据特征或是减少支持向量机的数量，虽然对于一些数据样本的分类比较准确，但是这些数据往往没有考虑到噪声数据，在现实应用中，很多数据都会有数据噪声，这样会导致训练得到的分类平面有偏差，得到的不是最佳的分类平面，算法的鲁棒性能不好。

许多研究者在twsvm，gepsvm基础上提出了不少算法，本课题重点在twsvm算法的基础上，提出我们的改进算法，具体做法是：（1）对数据噪声的处理改进：在构造最优分类平面时，噪声对于其构造有着很大的影响，因此怎么处理噪声数据对于算法的正确分类也有着很大的关系，此外，正确处理噪声数据才能提高算法的泛化能力。

（2）把类capped_l1范式应用在twsvm等算法中，目的是从噪声数据出发，提高算法的精确度。

2. 参考文献（不低于12篇）

1 业巧林, 赵春霞, 陈小波. 基于正则化技术的对支持向量机特征选择算法[J]. 计算机研究与发展, 2011, 48(6):1029-1037.2 业巧林, 业宁, 崔静,等. 权向量投影多平面支持向量机[J]. 模式识别与人工智能, 2010, 23(5):000708-714.3 储茂祥, 王安娜, 巩荣芬. 一种改进的最小二乘孪生支持向量机分类算法[J]. 电子学报, 2014, 42(5):998-1003.4 朱志宾. 半监督孪生支持向量机[D]. 中国矿业大学, 2016.5 于俊钊. 孪生支持向量机及其优化方法研究[D]. 中国矿业大学, 2014.6 花小朋, 丁世飞. 鲁棒的加权孪生支持向量机[J]. 中南大学学报(自然科学版), 2015(6):2074-2080.7 高斌斌. 模糊孪生支持向量机分类算法及其应用研究[D]. 西南大学, 2013.8 李凯, 李娜, 卢霄霞. 一种模糊加权的孪生支持向量机算法[J]. 计算机工程与应用, 2013, 49(4):162-165.9 黄华娟. 孪生支持向量机关键问题的研究[D]. 中国矿业大学, 2014.10李凯, 顾丽凤, 胡少方. 引入调整项的模糊孪生支持向量机[J]. 计算机科学, 2017, 44(8):260-264.高斌斌, 王建军. 多分类最大间隔孪生支持向量机[J]. 西南师范大学学报(自然科学版), 2013, 38(10):130-135.11 Shao Y H, Chen W J, Wang Z, et al. Weighted linear loss twin support vector machine for large-scale classification[J]. Knowledge-Based Systems, 2015, 73(1):276-288.12 Shao Y H, Chen W J, Deng N Y. Nonparallel hyperplane support vector machine for binary classification problems[J]. Information Sciences, 2014, 263(3):22-35.13 Jiang W, Nie F, Huang H. Robust dictionary learning with capped l 1 -norm[C]// International Conference on Artificial Intelligence. AAAI Press, 2015:3590-3596.14 Nie F, Huo Z, Huang H. Joint Capped Norms Minimization for Robust Matrix Recovery[C]// Twenty-Sixth International Joint Conference on Artificial Intelligence. 2017:2557-2563.