[發(fā)明專利]一種基于模糊優(yōu)化最小最大神經(jīng)網(wǎng)絡(luò)的模式分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011317128.2
• 申請(qǐng)日: 2020-11-18
• 公開（公告）號(hào): CN112418312A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 黃瑋;王雅各;王勁松
• 申請(qǐng)（專利權(quán)）人: 天津理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于模糊優(yōu)化最小最大神經(jīng)網(wǎng)絡(luò)的模式分類方法。本發(fā)明包括：首先對(duì)國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)集中的Wine、Glass和Parkinson三個(gè)數(shù)據(jù)集進(jìn)行預(yù)處理，如數(shù)值歸一化；然后對(duì)輸入模式執(zhí)行模型訓(xùn)練第一階段：超盒擴(kuò)展過程、超盒重疊測(cè)試和超盒收縮過程；然后執(zhí)行模型訓(xùn)練第二階段：超盒優(yōu)化過程；最后將模式分類測(cè)試數(shù)據(jù)集的數(shù)據(jù)作為輸入模式，根據(jù)構(gòu)造出的模糊優(yōu)化最小最大神經(jīng)網(wǎng)絡(luò)模型，對(duì)輸入模式進(jìn)行識(shí)別，并輸出模式分類結(jié)果。與原始模糊最小最大神經(jīng)網(wǎng)絡(luò)相比，結(jié)果顯示本發(fā)明所提出方法的模式分類準(zhǔn)確度最高，具有較強(qiáng)的魯棒性和分類效果。

技術(shù)領(lǐng)域

本發(fā)明屬于模式分類領(lǐng)域，特別涉及一種基于模糊優(yōu)化最小最大神經(jīng)網(wǎng)絡(luò)的模式分類方法。

背景技術(shù)

模式分類是通過構(gòu)造一個(gè)分類函數(shù)或者分類模型將數(shù)據(jù)集映射到某一個(gè)給定的類別中，它是模式識(shí)別的核心研究?jī)?nèi)容，關(guān)系到其識(shí)別的整體效率，廣泛應(yīng)用于各個(gè)研究領(lǐng)域。

目前，基于神經(jīng)網(wǎng)絡(luò)的分類方法是模式分類領(lǐng)域的重要方法，但是因?yàn)樯窠?jīng)網(wǎng)絡(luò)本身所存在的一些限制往往造成分類精度較低。特別地，對(duì)于模糊最小最大神經(jīng)網(wǎng)絡(luò)而言，超盒擴(kuò)展過程會(huì)通過增加不同類之間的重疊區(qū)域而對(duì)分類性能造成負(fù)面影響，現(xiàn)有的超級(jí)盒重疊測(cè)試規(guī)則無法檢測(cè)所有重疊區(qū)域，這會(huì)影響后續(xù)的超級(jí)盒收縮過程，最終造成了不同類超盒的重疊而造成了模式分離精度低的問題。

發(fā)明內(nèi)容

本發(fā)明的目的是為克服上述現(xiàn)有技術(shù)存在的缺點(diǎn)和不足，提供一種基于模糊優(yōu)化最小最大神經(jīng)網(wǎng)絡(luò)的模式分類方法。通過在國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)集(Wine、Glass和Parkinson)上測(cè)試，和原始的模糊最小最大神經(jīng)網(wǎng)絡(luò)算法進(jìn)行相比，該算法的模式分類精度優(yōu)于原始算法。

本發(fā)明采用的技術(shù)方案如下：

一種基于模糊優(yōu)化最小最大神經(jīng)網(wǎng)絡(luò)的模式分類方法，包括以下步驟：

第1步、對(duì)國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行預(yù)處理，將預(yù)處理后的數(shù)據(jù)集分為模式分類訓(xùn)練數(shù)據(jù)集和模式分類測(cè)試數(shù)據(jù)集兩部分；

第2步、將模式分類訓(xùn)練數(shù)據(jù)集作為輸入模式；

第3步、模型訓(xùn)練第一階段，執(zhí)行超盒擴(kuò)展過程；

第4步、模型訓(xùn)練第一階段，執(zhí)行超盒重疊測(cè)試；

第5步、模型訓(xùn)練第一階段，執(zhí)行超盒收縮過程；

第6步、模型訓(xùn)練第二階段，執(zhí)行超盒優(yōu)化過程；

第7步、對(duì)于模式分類測(cè)試數(shù)據(jù)集的數(shù)據(jù)，作為輸入模式，根據(jù)構(gòu)造出的模糊優(yōu)化最小最大神經(jīng)網(wǎng)絡(luò)模型，對(duì)輸入模式進(jìn)行識(shí)別，并輸出模式分類結(jié)果。

第1步中所述的對(duì)國(guó)際標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行預(yù)處理的具體過程：

第1.1步、數(shù)值歸一化：對(duì)數(shù)據(jù)集中的每條記錄進(jìn)行使用線性函數(shù)進(jìn)行線性變換，使得結(jié)果映射在0-1之間；

第1.2步、將數(shù)值歸一化后的數(shù)據(jù)集，按5∶5比例進(jìn)行劃分：隨機(jī)選擇50％的數(shù)據(jù)作為模式分類訓(xùn)練數(shù)據(jù)集，剩下的50％作為模式分類測(cè)試數(shù)據(jù)集。

第2步中所述的將模式分類訓(xùn)練數(shù)據(jù)集作為輸入模式的具體過程如下：

對(duì)于給定的50％的模式分類訓(xùn)練數(shù)據(jù)集，構(gòu)成了一個(gè)有序?qū)X_h，d_h}；

其中X_h＝(x_h1，x_h2，…，x_hn)∈Iⁿ代表輸入模式，h代表第h個(gè)輸入模式，Iⁿ代表一個(gè)n維的單位空間，x_hn代表第h個(gè)輸入模式的第n維的特征，d_h∈{1，2，…，m}代表m個(gè)類別對(duì)應(yīng)的序號(hào)。

第3步中所述的執(zhí)行超盒擴(kuò)展過程的具體過程如下：