一种基于模糊优化最小最大神经网络的模式分类方法技术

一种基于模糊优化最小最大神经网络的模式分类方法。本发明专利技术包括：首先对国际标准数据集中的Wine、Glass和Parkinson三个数据集进行预处理，如数值归一化；然后对输入模式执行模型训练第一阶段：超盒扩展过程、超盒重叠测试和超盒收缩过程；然后执行模型训练第二阶段：超盒优化过程；最后将模式分类测试数据集的数据作为输入模式，根据构造出的模糊优化最小最大神经网络模型，对输入模式进行识别，并输出模式分类结果。与原始模糊最小最大神经网络相比，结果显示本发明专利技术所提出方法的模式分类准确度最高，具有较强的鲁棒性和分类效果。具有较强的鲁棒性和分类效果。具有较强的鲁棒性和分类效果。

【技术实现步骤摘要】
一种基于模糊优化最小最大神经网络的模式分类方法


[0001]本专利技术属于模式分类领域，特别涉及一种基于模糊优化最小最大神经网络的模式分类方法。

技术介绍

[0002]模式分类是通过构造一个分类函数或者分类模型将数据集映射到某一个给定的类别中，它是模式识别的核心研究内容，关系到其识别的整体效率，广泛应用于各个研究领域。
[0003]目前，基于神经网络的分类方法是模式分类领域的重要方法，但是因为神经网络本身所存在的一些限制往往造成分类精度较低。特别地，对于模糊最小最大神经网络而言，超盒扩展过程会通过增加不同类之间的重叠区域而对分类性能造成负面影响，现有的超级盒重叠测试规则无法检测所有重叠区域，这会影响后续的超级盒收缩过程，最终造成了不同类超盒的重叠而造成了模式分离精度低的问题。

技术实现思路

[0004]本专利技术的目的是为克服上述现有技术存在的缺点和不足，提供一种基于模糊优化最小最大神经网络的模式分类方法。通过在国际标准数据集(Wine、Glass和Parkinson)上测试，和原始的模糊最小最大神经网络算法进行相比，该算法的模式分类精度优于原始算法。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于模糊优化最小最大神经网络的模式分类方法，包括以下步骤：
[0007]第1步、对国际标准数据集进行预处理，将预处理后的数据集分为模式分类训练数据集和模式分类测试数据集两部分；
[0008]第2步、将模式分类训练数据集作为输入模式；
[0009]第3步、模型训练第一阶段，执行超盒扩展过程；
[0010]第4步、模型训练第一阶段，执行超盒重叠测试；
[0011]第5步、模型训练第一阶段，执行超盒收缩过程；
[0012]第6步、模型训练第二阶段，执行超盒优化过程；
[0013]第7步、对于模式分类测试数据集的数据，作为输入模式，根据构造出的模糊优化最小最大神经网络模型，对输入模式进行识别，并输出模式分类结果。
[0014]第1步中所述的对国际标准数据集进行预处理的具体过程：
[0015]第1.1步、数值归一化：对数据集中的每条记录进行使用线性函数进行线性变换，使得结果映射在0-1之间；
[0016]第1.2步、将数值归一化后的数据集，按5∶5比例进行划分：随机选择50％的数据作为模式分类训练数据集，剩下的50％作为模式分类测试数据集。
[0017]第2步中所述的将模式分类训练数据集作为输入模式的具体过程如下：
[0018]对于给定的50％的模式分类训练数据集，构成了一个有序对{X
h
，d
h
}；
[0019]其中X
h
＝(x
h1
，x
h2
，
…
，x
hn
)∈I
n
代表输入模式，h代表第h个输入模式，I
n
代表一个n维的单位空间，x
hn
代表第h个输入模式的第n维的特征，d
h
∈{1，2，
…
，m}代表m个类别对应的序号。
[0020]第3步中所述的执行超盒扩展过程的具体过程如下：
[0021]第3.1步、判断是否存在超盒：如果不存在超盒，则根据输入模式新建超盒，如果存在超盒，执行第3.2步；
[0022]第3.2步、判断是否存在同类超盒：如果不存在同类超盒，则根据输入模式新建超盒，如果存在同类超盒，执行第3.3步；
[0023]第3.3步、计算输入模式对同类超盒的隶属度值，选择隶属度值最大的超盒作为当前获胜超盒：
[0024]根据如下公式计算隶属度值：
[0025][0026]其中A
h
＝(a
h1
，a
h2
，
…
，a
hn
)∈I
n
是第h个输入模式，V
j
＝(v
j1
，v
j2
，
…
，v
jn
)是第j个超盒B
j
的最小点，W
j
＝(w
j1
，w
j2
，
…
，w
jn
)是第j个超盒B
j
的最大点，γ是敏感度系数，控制隶属度值使其随着输入模式A
h
与超盒B
j
之间距离的增大而减少；
[0027]第3.4步、判断当前获胜超盒是否满足扩展条件：如果不满足扩展条件，则对该输入模式新建一个超盒，如果满足扩展条件，执行第3.5步；
[0028]超盒扩展条件如下：
[0029][0030]其中θ∈[0，1]为扩展参数，定义超盒的大小，由用户定义；
[0031]第3.5步、超盒扩展：超盒根据如下公式进行扩展：
[0032]新的超盒最小点为：
[0033][0034]其中为超盒扩展前的超盒的最小点，为超盒扩展后的超盒的最小点；
[0035]新的超盒最大点为：
[0036][0037]其中为超盒扩展前的超盒的最大点，为超盒扩展后的超盒的最大点。
[0038]第4步中所述的执行超盒重叠测试的具体过程如下：
[0039]为了确定超盒扩展过程是否造成了不同类超盒之间的重叠，执行重叠测试检查是否造成了重叠，对于每个维度，至少满足以下4种规则之一，则两个超盒之间存在重叠；在测试重叠时，沿任何维度的最小重叠和维度的索引被保存，以便在执行收缩过程时使用，最初假定δ
old
＝1，即两个超盒之间的重叠值为1；
[0040]第4.1步、重叠测试第1条规则：
[0041]如果两个超盒B
j
和B
k
的最小点和最大点满足如下不等式：v
ji
＜v
ki
＜w
ji
＜w
ki
，则δ
new
＝min(w
ji-v
ki
，δ
old
)；
[0042]其中，δ
new
代表新的最小重叠值；
[0043]第4.2步、重叠测试第2条规则：
[0044]如果两个超盒B
j
和B
k
的最小点和最大点满足如下不等式：v
ki
＜v
ji
＜w
ki
＜w
ji
，则δ
new
＝min(w
ki-v
ji
，δ
old
)：
[0045]第4.3步、重叠测试第3条规则：
[0046]如果两个超盒B
j
和B
k
的最小点和最大点满足如下不等式：v...

【技术保护点】

【技术特征摘要】
1.一种基于模糊优化最小最大神经网络的模式分类方法，其特征包括以下步骤：第1步、对国际标准数据集进行预处理，将预处理后的数据集分为模式分类训练数据集和模式分类测试数据集两部分；第2步、将模式分类训练数据集作为输入模式；第3步、模型训练第一阶段，执行超盒扩展过程；第4步、模型训练第一阶段，执行超盒重叠测试；第5步、模型训练第一阶段，执行超盒收缩过程；第6步、模型训练第二阶段，执行超盒优化过程；第7步、对于模式分类测试数据集的数据，作为输入模式，根据构造出的模糊优化最小最大神经网络模型，对输入模式进行识别，并输出模式分类结果。2.根据权利要求1所述的一种基于模糊优化最小最大神经网络的模式分类方法，其特征在于：第1步中所述的对国际标准数据集进行预处理的具体过程如下：第1.1步、数值归一化：对数据集中的每条记录进行使用线性函数进行线性变换，使得结果映射在0-1之间；第1.2步、将数值归一化后的数据集，按5∶5比例进行划分：随机选择50％的数据作为模式分类训练数据集，剩下的50％作为模式分类测试数据集。3.根据权利要求1所述的一种基于模糊优化最小最大神经网络的模式分类方法，其特征在于：第2步中所述的将模式分类训练数据集作为输入模式的具体过程如下：对于给定的50％的模式分类训练数据集，构成了一个有序对{X
h
，d
h
}；其中X
h
＝(x
h1
，x
h2
，
…
，x
hn
)∈I
n
代表输入模式，h代表第h个输入模式，I
n
代表一个n维的单位空间，x
hn
代表第h个输入模式的第n维的特征，d
h
∈{1，2，
…
，m}代表m个类别对应的序号。4.根据权利要求1所述的一种基于模糊优化最小最大神经网络的模式分类方法，其特征在于：第3步中所述的执行超盒扩展过程的具体过程如下：第3.1步、判断是否存在超盒：如果不存在超盒，则根据输入模式新建超盒，如果存在超盒，执行第3.2步；第3.2步、判断是否存在同类超盒：如果不存在同类超盒，则根据输入模式新建超盒，如果存在同类超盒，执行第3.3步；第3.3步、计算输入模式对同类超盒的隶属度值，选择隶属度值最大的超盒作为当前获胜超盒：根据如下公式计算隶属度值：其中A
h
＝(a
h1
，a
h2
，
…
，a
hn
)∈I
n
是第h个输入模式，V
j
＝(v
j1
，v
j2
，
…
，v
jn
)是第j个超盒B
j
的最小点，W
j
＝(w
j1
，w
j2
，
…
，w
jn
)是第j个超盒B
j
的最大点，γ是敏感度系数，控制隶属度值使其随着输入模式A
h
与超盒B
j
之间距离的增大而减少；第3.4步、判断当前获胜超盒是否满足扩展条件：如果不满足扩展条件，则对该输入模式新建一个超盒，如果满足扩展条件，执行第3.5步；超盒扩展条件如下：
其中θ∈[0，1]为扩展参数，定义超盒的大小，由用户定义；第3.5步、超盒扩展：超盒根据如下公式进行扩展：新的超盒最小点为：其中为超盒扩展前的超盒的最小点，为超盒扩展后的超盒的最小点；新的超盒最大点为：其中为超盒扩展前的超盒的最大点，为超盒扩展后的超盒的最大点。5.根据权利要求1所述的一种基于模糊优化最小最大神经网络的模式分类方法，其特征在于：第4步中所述的执行超盒重叠测试的具体过程如下：为了确定超盒扩展过程是否造成了不同类超盒之间的重叠，执行重叠测试检查是否造成了重叠，对于每个维度，至少满足以下4种规则之一，则两个超盒之间存在重叠；在测试重叠时，沿任何维度的最小重叠和维度的索引被保存，以便在执行收缩过程时使用，最初假定δ
old
＝1，即两个超盒之间的重叠值为1；第4.1步、重叠测试第1条规则：如果两个超盒B
j
和B
k
的最小点和最大点满足如下不等式：v
ji
＜v
ki
＜w
ji
＜w
ki
，则δ
new
＝min(w
ji-v
ki
，δ
old
)；其中，δ
new
代表新的最小重叠值；第4.2步、重叠测试第2条规则：如果两个超盒B
j
和B
k
的最小点和最大点满足如下不等式：v
ki
＜v
ji
＜w
ki
＜w
ji
，则δ
new
＝min(w
ki-v
ji
，δ
old
)；第4.3步、重叠测试第3条规则：如果两个超盒B
j
和B
k
的最小点和最大点满足如下不等式：v
ji
＜v
ki
＜w
ki
＜w
ji
，则δ
new
＝min(min(w
ki-v
ji
，w
ji-v
ki
)，δ
old
)；第4.4步、重叠测试第4条规则：如果两个超盒B
j
和B
k
的最小点和最大点满足如下不等式：v
ki
＜v
ji
＜w
ji
＜w
ki
，则δ
new
＝min(min(w
ji-v
ki
，w
ki-v
ji
)，δ
old
)；第4.5步、判断是否有重叠：根据如下不等式判断两个不同类超盒之间是否重叠：δ
old-δ
new
＞0如果满足上式，则表示两个不同类超盒之间有重叠，然后令Δ＝i，记下重叠的...

【专利技术属性】
技术研发人员：黄玮，王雅各，王劲松，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：