[發明專利]基于模糊復集值積分的多神經網絡分類器融合方法及裝置

在審

• 申請號: 201811555761.8
• 申請日: 2018-12-19
• 公開（公告）號: CN109376803A
• 公開（公告）日: 2019-02-22
• 發明（設計）人: 馬生全;馬晶;鄭錦霞
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 謝泳祥

本公開提供基于模糊復集值積分的多神經網絡分類器融合方法及裝置，發明以復模糊集值積分作為融合算法而得新型分類器，即模糊復集值積分分類器,以大數據背景下的數據流分類問題，數據流的海量特性的增量式學習數據實時分類模型、數據流動態性變化的概念漂移檢測數據流模型，能提高分類模型的抗概念漂移能力。本公開提供了基于模糊復集值積分的多神經網絡分類器融合方法及裝置，以模糊復值積分算法為工具，具體在下面幾方面具有有益效果：算法收斂速度快；抗概念漂移能力強，可控制訓練集大小，應用范圍廣。

技術領域

本公開涉及深度學習及數據處理技術領域，特別涉及基于模糊復集值積分的多神經網絡分類器融合方法及裝置。

背景技術

分類問題中的學習搜索是NP難問題，精確求解至今尚無法實現，探索各種啟發式算法近似求解大規模復雜問題很有意義，分類的目的就是根據數據集的特點構造一個分類函數或分類模型(分類器)把未知類別樣本映射到給定的類別中的某一個，它是數據挖掘、機器學習、模式識別中的重要研究領域，也是知識處理的核心問題。分類器要根據已有示例的學習將新數據劃分為符合實際情況的不同類別。

常見的分類方法有：貝葉斯分類法、神經網絡分類法、線性分類法，最鄰近分類法、支持向量機分類法(SVM)等。其中，神經網絡分類器是最為常見的是模式識別分類器，神經網絡分類器中BP神經網絡、RBF神經網絡是應用最為廣泛而有效的種類。模糊積分分類器是十多年來出現的一種新的有效的分類器訓練算法，它特別適用于“屬性之間存在交互影響”和“分類結果不分明”的場合。

經典多分類器融合的一般過程就是各個分類器先對待識別的樣例x進行分類得到輸出(即決策剖面DP)，然后用融合算子作用于DP得到一個向量，其每個分量對應于一個類，最大的分量對應的類決斷為分類結果。分類器算法的缺點有些是本身固有的，如BP學習算法是基于最速梯度下降的，易陷入局部極小，過度擬合，收斂速度慢和引起震蕩效應。因此，需要把幾個已經訓練好的分類器同時用于分類，通過各分類器之間取長補短達到更好的分類效果就產生了集成融合。另外，在一些復雜的實際問題中，屬性(特征)個數很多，并且這些屬性間都是相互獨立的，于是，可用樣例的部分屬性作為輸入訓練分類器，然后把這些分類器對待識別樣例的分類結果融合得到它的類別。

基于“模糊復集值積分分類器”融合模型，擴展了基于“模糊(實值)積分的神經網絡分類器”算法是一種多分類器集成算法具有原創性。隨著物聯網的推廣及“大數據”背景下，傳統數據分類方法正面臨新的挑戰，數據形式的變化——從傳統的靜態數據向動態的數據流形式轉變的特性。因此設計一種數據流分類(器)模型，不僅能夠滿足數據流特點，而且能夠對數據流進行有效分類是本公開的目的。

發明內容

針對上述技術問題，本公開以復模糊集值積分作為融合算法而得新型分類器，即模糊復集值積分分類器,以大數據背景下的數據流分類問題，發明數據流海量特性的增量式學習數據實時分類模型、數據流動態性變化的概念漂移檢測數據流模型，能提高分類模型的抗概念漂移能力，提高實時分類效率，將提高分類模型的抗概念漂移能力將概念漂移檢測方法融入分類模型中。

所述基于模糊復集值積分的多神經網絡分類器融合方法具體包括以下步驟：

步驟1，計算樣例輸入信息的模糊復值測度；

步驟2，對每一神經網絡計算模糊復值積分值；

步驟3，判斷神經網絡分類器的類別；

步驟4，以模糊復集值積分作為融合算子對分類器進行融合；

步驟5，計算海明貼近度；

步驟6，對數據流進行分類并得到分類結果。