The present invention provides a set of \classification and clustering\ as one of the fuzzy neural network algorithm based on fuzzy minimum maximum neural network as a benchmark, to redesign its various steps, at every step, considering the possibility of unlabeled and labeled samples exist at the same time, the difference between classification learning and clustering two kinds of learning methods, there are with a fuzzy neural network system. When the input is not the whole sample set of labeled samples, using unsupervised learning methods in cluster the sample; when the input sample set is labeled samples, or part is identified, is not identified by supervised learning method in sample classification operations on sample. The algorithm provided by this invention can be used not only in pure clustering, pure classification, but also in the mixed learning method of clustering and classification. In the learning process of mixed samples, both the identified samples and the unidentified samples have been fully utilized to improve the classification accuracy.
【技术实现步骤摘要】
一种集“分类与聚类”为一体的模糊神经网络算法
本专利技术涉及模式分类
,尤其涉及一种集“分类与聚类”为一体的模糊神经网络算法。
技术介绍
在模式分类领域中,监督与非监督学习一直扮演着相当重要的角色。所谓监督学习,即作为训练样本的输入数据都有着类别信息,被称之为已标识样本(labeled);模式分类(Classification)的主要任务就是探索某个类与类之间的判定边界,使得类别的误分率最小化。而非监督学习方式正相反,作为训练样本的输入数据没有类别信息,被称之为未标识样本(unlabeled);模式聚类(Clustering)的主要任务是根据某种相似性准则,将输入模式划分成若干个组(class)或者类(cluster)。通常,这两种学习方式被分开来研究与应用,例如,Simpson提出的模糊最小-最大神经网络(FuzzyMin-MaxNeuralNetwork),简称FMM,就是一种既可以应用于模式分类,也可以用于模式聚类的模糊神经网络。但它们都是分别应用于两种不同的模式分类,一种称为有监督学习,另一种称为无监督学习,因为这两种方法都实现简单,并且效率较高,故这两种方法得到了广泛的研究。Simpson提出的模糊最小-最大神经网络FMM是一种采用超盒(hyperbox)隶属度函数的模糊神经网络,一个超盒就定义了n维模式空间中的一个区域,所有包含在超盒内的模式对该超盒都具有完全的隶属度(membership)。一个超盒完全由它的最小点和最大点确定,且此最小-最大点对和这个超盒的隶属度函数联合起来定义了一个模糊集(即类别)。下面详细说明Simpson提出的模 ...
【技术保护点】
一种集“分类与聚类”为一体的模糊神经网络算法,其特征在于,具体为:一、基本定义1)、输入向量集成算法模型的输入模式采用下列形式的序对:{Xh,dh};其中,
【技术特征摘要】
1.一种集“分类与聚类”为一体的模糊神经网络算法,其特征在于,具体为:一、基本定义1)、输入向量集成算法模型的输入模式采用下列形式的序对:{Xh,dh};其中,表示第h个输入模式,是低端点,是高端点,h为正整数;dh∈{0,1,2,...p}表示p+1类中某一类的类别标记,p为正整数,当dh=0时意味着输入样本为未标识样本;2)、模糊超盒隶属度函数一个超盒定义n维模式空间中的一个区域,n为正整数;每个超盒具有一个模糊隶属度函数,模糊隶属度函数决定了模式空间中任意一点对该超盒的隶属程度;超盒的最小最大点和模糊隶属度函数定义了一个模糊集,属于同一类模式的超盒模糊集的并就构成了该类模式的分类空间;首先,第j个超盒模糊集定义为一个有序集合:Bj={Xh,Vj,Wj,bj(Xh,Vj,Wj)}(1)其中:h={1,2,...m},m为正整数;是第h个输入模式,Vj是第h个输入模式的最小点,Wj第h个输入模式的最大点,模糊隶属度函数0≤bj(Xh,Vj,Wj)≤1,模糊隶属度函数定义如下:其中,f(r,γ)是两个参数的斜坡阈值函数,它符合在模糊逻辑系统中,能够简明直观的表达专家知识的特征;γ=[γ1,γ2,...γn]表示灵敏度参数,其表明隶属度值下降的速率;当γ变大时,模糊集边界将变得更加清晰,且随着γ的减小,模糊集边界的这种清晰性也会逐渐降低;其中,公式(2)中的Xihu表示第h个超盒高端点的第i维分量值,Wji表示第j个超盒的高端点,Vji表示第j个超盒的低端点,Xihl表示第h个输入模式低端点的第i维分量值;第h个超盒与第j个超盒两者之间逐维进行比较;二、学习算法1)、超盒初始化对于给定的样本集X∈{Xh|h=1,2,...,m},Vj及Wj的初始值设为:Vj=0,Wj=0;当第j个超盒被首次增加进来时,超盒的最大、最小点将依次被修改为:初始化标识集class(Bk)=dk对于所有的k=0,1....p,如果dk=0则意味着样本未被标识;2)、超盒扩张当从上一步中选出的第h个输入模式Bh与超盒Bj满足相似性测度最大时,判断其是否满足下列扩张准则:θ为自定义参数,用来限制超盒的最大尺寸,并且0<θ<1;其后再根据下列公式来调整Bj:如果class(Bh)=0则调整Bj(5)否则如果上述扩张可以分成两种情况,其一:当输入模式Bh属于未标识样本,即class(Bh)=...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。