基于区间推理的模糊分类器

在分析区间值模糊集理论和现有模糊分类器的基础上,提出一种新的基于区间值推理的模糊分类器的设计方法,并且对R．A．Fisher的iris数据库进行了分类实验处理,结果证明其分类的正确率超过90％,而且该方法计算简便,运行速度快,因而该分类器的设计方法具有良好的实际应用前景．     

一种基于模糊核超球感知器的模糊分类模型

本文提出一种模糊核超球感知器（FKHP）学习方法,并介绍了一种基于FKHP这种学习方法的模糊分类模型.模型构建的基本思想是首先选择适当的核函数,将训练模式从输入空间映射到高维特征空间;然后,在特征空间中,利用提出的模糊核超球感知器学习算法,为每一类训练模式找一个覆盖该类别的训练模式的超球;将每个超球,看作为一个模糊划分,以超球中心和半径为参数,定义超圆锥体的隶属函数,并为之建立一条IF-THEN分类规则;最后,以超球半径作为规则的调整参数,进行规则的优化调整.本文介绍了模型的结构、分类规则产生算法以及规则的调整策略.     

基于模糊感知器的路面性能预测方法

利用模糊感知器人工神经元网络尝试建立一个智能型路面性能预测模型，对神经网络原理和模型结构进行了系统的理论分析，给出了详细的算法，并以平整度历年调查资料为数据基础，对该模型进行了实例分析，证明了模型的理论与实际运用的可行性。该方法利用神经网络与模糊方法各自的优点，针对不同性能指标，建立对应的神经网络预测模型，来对今后的指标值进行预测，较好地解决了路面性能预测中的模糊性和不确定性。     

模糊核超球感知器

提出了一种基于核化技术的模糊核超球感知器分类算法，该算法通过核化技术把样本数据映射到高雏特征空间，并利用超球感知器学习寻找高雏特征空间的决策超球，从而得到各类样本的决策函数．同时，样本测试中采用的模糊技术有效提高了算法的适应性．该算法学习规则简单，所得特征空间超球在样本空间的分布能很好地反映样本的数据结构，适用于不同类型数据结构样本的学习，并经大量试验显示了算法的有效性．     

基于遗传算法的Mamdani模糊分类器的研究

大多数的模糊分类器,是建立在先验的或专家知识的基础上的模糊规则而构建的模糊分类器,但在实际的大量数据中,是没有先验知识的,进而要提取模糊规则是较困难的.研究了Mamdani模糊逻辑系统,提出一种基于遗传算法的Mamdani模糊分类器,它有最少特征变量、最少的模糊规则数,而且还有较好的分类精度,并应用于分类数据仿真,效果良好.     

带递归的模糊感知器有限收敛性

模糊感知器的主要功能是通过权值的学习来判别样本所属的类别.对一种基于模糊逻辑运算的带递归的模糊感知器进行了研究,其网络结构类似于内部运算基于加法-乘法的传统感知器,并加入了动态递归项.设定网络的初始权值均为常数0,证明了若训练样本的输入向量维数为2,在样本模糊可分条件下,学习算法有限收敛,即有限步后权值的训练停止;若训练样本的输入向量维数大于2,在稍强的条件下,学习算法也有限收敛.     

基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学习方法 ,采用输入输出样本关系曲率来表示函数的复杂度 ,根据曲率的大小确定隶属函数的中心点与宽度 ,使隶属函数的分布符合映射的变化 ,从而在提高逼近精度的同时减少隶属函数个数的增加 .通过仿真将这一方法与均匀划分方法及自组织聚类方法比较 ,结果表明 ,该方法在学习的快速性与精度方面均具有较优的性能     

基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学 习方法．采用输入输出样本关系曲率来表示函数的复杂度,根据曲率的大小确定隶属函数的中心点与宽度,使隶属 函数的分布符合映射的变化,从而在提高逼近精度的同时减少隶属函数个数的增加．通过仿真将这一方法与均匀 划分方法及自组织聚类方法比较．结果表明,该方法在学习的快速性与精度方面均具有较优的性能．     

基于遗传算法的模糊神经控制器的设计与仿真

根据遗传算法和智能控制的特点,提出了一种基于遗传算法的模糊神经网络控制器,遗传算法主要优化模糊神经控制器的隶属度参数和第三层的网络节点。对优化后的控制器进行了仿真比较研究.仿真结果表明,该控制器有较好的控制性能。     

基于模糊方位转换技术手写文字识别的研究

提出了一种基于模糊方位转换技术实现手写字辩识的方法，介绍了模糊方位转换技术的基本原理，并编制了仿真程序对该技术进行验证。     

基于小波函数的模糊大脑情感学习分类器

将小波函数和模糊推理相结合,提出一种基于小波函数的模糊大脑情感学习分类器(WFBELC)。采用小波函数的时频局部化特性反应输入信号的突变信息,快速精确地逼近信号,并去除噪声;利用参数自学习规则更新WFBELC结构参数。将该分类器应用于3个公开数据集,并与BP算法模型、模糊小脑模型(FCMAC)和模糊大脑情感学习模型(FBEL)进行对比。仿真结果显示,分类器在3个数据集上的分类准确率平均值均为最高,其中,在Wine数据集上的准确率最大值达到100%,平均值为97.56%,表明WFBELC对数据集的学习能力更强,能获得更好的分类效果。     

用粗糙集构造基于知识的模糊多层感知器

提出了用粗糙集理论构造模糊多层感知器的方法。使用粗糙集从样本信息表中抽出关于领域的规则以及规则的精确度和覆盖度。网络的结构由已经抽取的规则映射而成,初始连接权由规则的精确度和覆盖度确定。论文给出了基于信息熵的知识的简算法。运用于水稻虫害分类的试验结果表明：这种基于知识的模糊多层感知器与传统感知器相比,具有较少的隐层节点,并能做出正确的特征分类。     

Sugeno型模糊复值积分及其在分类器融合中的应用

给出的模糊复值积分、Sugeno型模糊复值积分概念,研究了其基本性质;将其作为一种新的算法应用于分类问题中,对应用中的细节问题进行研究,并用1个实例对其算法进行验证,结果显示该方法具有良好的分类效果。     

一种基于AdaBoost的SVM分类器

针对AdaBoost的分量分类器的分类精度和差异性互为矛盾、以至于该矛盾的存在降低了AdaBoost算法的分类精度和泛化性的问题,提出了一种变σ-AdaBoostRBFSVM算法,通过根据训练样本调整各个分量分类器的核函数参数值,使分量分类器在精度和差异性之间达到一定的平衡,从而提高了集成分类器的分类精度和泛化性。对标准数据集的分类实验结果表明了算法的有效性。     

一种基于凝聚K-means的决策簇分类器

提出基于凝聚K-means的决策簇分类模型.将凝聚策略和聚类簇调整参数λ运用于K-means聚类方法中,并结合簇验证技术,在训练数据集上,通过一系列自上而下的嵌套式聚类方法建立一棵聚类树,然后从这棵树中提取决策分类模型.基于UCI的实验结果证明本文提出的分类方法具有如下优势:(1)有效改善了Kmeans对初始中心的位置敏感的问题;(2)能自动确定簇的数目;(3)有效控制获得聚类簇的密度.     

AFR型发动机故障分类器设计

针对基于单层感知器模型的发动机故障进行分类器设计,研究了故障信号的学习样本容量和分类误判率之间的关系。结果表明,随着学习样本量的增加,该分类器的误判率越来越小,最终在一定范围内呈现平稳波动变化。     

基于图多层感知机的节点分类算法

多数图神经网络(Graph Neural Networks, GNN)通过设计复杂的节点信息传递和聚合方式,以提升节点分类等图分析任务的实验表现,而本文提出了一种无需信息传递和聚合的图多层感知机(Multi-Layer Perceptron, MLP)模型A&T-MLP,利用属性和拓扑信息引导的对比损失来增强模型表征能力。A&T-MLP首先使用属性矩阵和邻接矩阵计算节点间的属性和拓扑相似度;然后使用基于相似度信息引导的对比损失,增大特征空间中相似节点的一致性和不相似节点的差异性;最后构建多层感知机模型并引入交叉熵损失进行端到端训练。在节点分类任务中,A&T-MLP表现优于基线模型,Wikipedia数据集上的Micro-F1和Macro-F1相较GNN模型图卷积网络(Graph Convolutional Network, GCN)提升了15.86%和13.64%。实验结果表明,A&T-MLP能够通过对比损失保留丰富原始图的信息,提升模型性能。此外,A&T-MLP在处理拓扑信息不准确的图数据时具有较为明显的优势,即使在缺失80%拓扑信息的极端情况...     

基于基尼的模糊kNN分类器

随着网络的发展,大量的文档涌现在网上,自动文本分类成为处理海量数据的关键技术。在众多的文本分类算法中,kNN算法被证明是最好的文本分类算法之一。对于大多数文本分类来说,文本预处理是文本分类的瓶颈,文本预处理的好坏直接影响着分类的性能。在此介绍了一种新的文本预处理算法——基于基尼的文本预处理算法。同时采用模糊集理论改进kNN的决策规则。这两者的结合使得模糊kNN比传统的kNN表现出更好的分类性能。实验结果证明这种改进是有效的,可行的。