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.     

遗传模糊系统的分类器融合

将遗传模糊系统引入分类器融合，并且提出了一种快速的遗传模糊系统设计方法，在该方法中对传统的产生初始群体的方法和交叉操作进行了改进．本文方法在从ELENA数据集和UCI数据集中选择的3个大样本数据集上进行了测试，与当前有代表性的分类器融合方法进行了比较实验．实验结果表明，该方法在缩短训练时间以后仍然能够得到模糊规则数少，分类精度高的分类器融合系统．     

分类器模拟算法及其应用

针对标准数据集在评估多分类器系统的组合方法时存在的不足,设计了一种新的分类器模拟算法.该算法利用分类器的识别率建立混淆矩阵,由混淆矩阵生成基分类器的决策,进而结合分类器之间的相关性度量生成所有的模拟数据.通过实验评估表明,该算法能够模拟任意多个分类器和任意多个模式类别的数据,且能够表达出分类器之间的关联性.又应用生成的模拟数据集对多数投票和堆叠泛化这2种组合方法进行了实验,结果表明分类器之间的负相关有助于提高系统的性能,特别是当单个分类器识别率取0.8、关联度从0.829 5降至-0.484 7时,多数投票和堆叠泛化的性能分别提高了14.98%和41.99%.     

贝叶斯分类器集成的增量学习方法

针对基于决策树和神经网络的增量学习算法的过量匹配和分类精度有限的缺点,提出了一种基于贝叶斯分类器集成的增量学习方法.综合朴素贝叶斯的增量分类和集成的增量学习方法,采用随机属性选择训练初始SBC(simple Bayesian classifiers),通过判断是否带有类别标签,将增量样本自动分组,并利用遗传算法对结果进行优化.实验结果表明,贝叶斯分类器集成的增量学习方法有效.     

智能拉普拉斯分类器

 针对拉普拉斯分类器的核参数选择问题,通过首先假设窗的三个估计中核参数取不同的值,然后运用智能遗传算法对核参数进行优选,得到一种新的分类器——智能拉普拉斯分类器。多个基准数据集上的实验结果证明,智能拉普拉斯分类器相对普通拉普拉斯分类器和支持向量机而言,具有较高的分类精度和稳定性,是一种有效的分类方法。     

人工免疫分类器多类问题研究

AIRS是一种基于资源有限人工免疫原理的分类器，已经在许多标准数据集合上与其他传统性能较好的分类器进行了比较．但这些测试问题涉及的数据类别比较少，一般仅是2类问题．对AIRS在多类问题上的性能进行研究，与传统的分类器Kohonens LVQ在仿真和实际数据集合卜进行了比较，结果表明，AIRS在多类问题上具有良好的性能．     

多分类器组合的投票表决规则

为了提高多分类器组合的效果 ,提出了一种改进的投票表决规则 .每个分类器对每个模式类别的识别能力不尽相同 ,通过对大量样本的统计 ,获得有关每个分类器识别性能的先验知识 ,将其作为投票表决的依据 .投票表决时每个类设置不同的表决阈值 ,使组合效果得以改善 .这些阈值可以通过训练获得 .在数字识别系统中的实验结果表明 ,该方法使多分类器组合的识别率和置信度明显提高     

基于选择性的贝叶斯分类器集成方法

提出一种基于选择性的贝叶斯分类器集成方法．该方法为避免数据预处理时的属性约简对分类效果的直接影响，在训练集上通过随机属性选取生成若干属性子集，并以这些子集训练不同的贝叶斯分类器，进而采用遗传算法优选贝叶斯分类器集成，其适应度函数综合了分类器的精度和差异度两项指标．实验中，将该方法与已有方法在UCI的标准数据集上进行了性能比较，并将该方法用于C^3I系统中的威胁度估计。     

基于混合遗传训练方法的分类器参数设计

针对分类器这一狭义模式识别问题,分析了基于多层前向神经网络（ＭＦＮＮ）实现的复杂性．提出了一种混合遗传算法（ＧＡ）和数学规划的权值训练方法,用于模式分类器的参数设计,并进行了仿真研究．     

连续学习分类系统研究

学习分类系统(LCS)是一个动态感应环境的模拟认知系统,它利用环境反馈评估种群中的分类规则并通过遗传算法对种群进行进化．当环境输入包含连续属性时,经典LCS无法遍历整个状态空间．提出一种新的基于神经网络的连续学习分类系统,并通过实验验证了这种连续学习分类系统能够较准确地进行连续属性离散化,从而提高系统分类精度．     

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.     

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。     

一种新的支持向量机分类器的设计方法

提出了一种新的支持向量机分类器的设计方法.该方法利用主成分分析(PCA)及聚类技术在原问题空间中求解,减少了支持向量机分类器中支持向量的维数,且将原问题空间与特征空间中的问题归结为同一类的设计问题.     

一种基于粗集的模糊神经网络

提出了基于粗集的模糊神经网络(RSNFN),利用粗集理论从数据样本中获取约简的规则集作为模糊神经网络的规则,使得规则数目减少,克服了当输入维数高时,模糊神经网络模糊规则过多,结构过于庞大的缺点.同时利用遗传算法对连续属性的最优离散化值进行寻优,从而获得最优的网络结构.最后用RSNFN方法对催化裂化装置的轻柴油凝点进行估计,取得了良好的效果.