一种多分辨率组合的模糊神经网络分类器

摘要

提出一种多分辨率组合的分类器(MRCC)模型和相应的学习算法,发展了Simpson的模糊最小最大神经网络(FMM)方法.它克服了原始模型的几个缺点:训练结果不依赖于训练样本出现的次序,超盒扩张不受一个固定的最大尺度限制.和原始模型的超盒相比较,新模型的超盒中引入了一个参数表示超盒对于训练样本的分类正确率,称为超盒置信度.新的学习算法假设样本在一定尺度下均匀分布,从而能够在线调整超盒置信度参数.新的学习算法采用多分辨率组合的方法,消除了原始算法中选择超盒最大尺度限制参数的困难.实验表明,MRCC模型与原始FMM模型相比,分类性能更好,学习算法的自适应能力更强,建立的模糊超盒数更少,并行处理能力更强.