颗粒球双支持向量机

提出了一种增强的、基于加权的正则化KNN双支持向量机，解决了高计算成本和过拟合问题。

实验结果显示分类准确度和计算时间显著提高，最大加速比可达14倍。

引入粒子群优化算法，修复了GBSVM原模型的问题，提升了鲁棒性和效率。

提出的粒球模糊集框架比传统模糊方法更高效、稳健，扩展到分类器支持向量机中。

研究了偏t混合模型，提出正则化的迭代优化过程，增强了模型的推广能力和鲁棒性。

开发了基于关注机制的快速稳定Granular ball生成方法，性能优于现有分类器。

提出双参数边际支持向量机模型，解决多类分类问题，初步实验结果表现良好。

提出颗粒球双支持向量机分类器，显著提高了分类性能，显示良好的可扩展性与稳健性。

提出新的双参数边际支持向量机模型，增强计算效率，管理异方差噪声结构。

提出守护损失（G-loss）以增强双支持向量机的稳健性，实验结果在生物医学领域表现优越。

提出颗粒球RVFL模型，提升模型的可扩展性和对噪声的鲁棒性，实验结果优于基线模型。