基于参数化T范数分类问题的推理及其敏感性分析

摘要

现实世界中包含大量的模糊因素和模糊信息，因此模糊推理研究在人工智能领域具有重要的价值和意义。模糊推理过程中，选择不同的模糊算子对模糊推理的效果有直接的影响。传统的模糊推理使用取小、取大算子合成模糊产生式规则。为了更接近人类的思维方式，更好的刻画推理过程的灵活性，本文将参数化t-范数与s-范数引入模糊产生式规则的合成，针对分类问题建立了基于参数化t-范数与s-范数的模糊推理模型，该模型有效的克服了传统取小取大算子在推理中容易丢失模糊子集中隶属度对模糊推理的影响的缺点。在模型的基础上，本文定义了分类精度敏感性的概念，通过理论分析和实验验征得出了不同特征数据库的分类精度对参数化t-范数与s-范数的参数p的敏感性并给出了参数选择建议。此外，本文还将该模型应用于模糊决策树系统，设计实现了基于参数化t-范数分类推理模型的模糊决策树系统。该系统具有很好的灵活性和可调性，实验表明该模型的应用提高了系统的分类精度，增强了系统的泛化能力。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究背景与意义

1.2本课题的国内外研究现状

1.3本课题研究的主要内容

第2章模糊集与模糊推理

2.1模糊集合

2.2隶属度函数

2.3模糊集合的基本运算

2.4模糊集合的广义运算

2.4.1模糊交(t-范数)

2.4.2模糊并(s-范数)

2.4.3参数化t-范数与参数化s-范数

2.4.4t-范数与s-范数的推广

2.5模糊推理

2.5.1模糊产生式规则

2.5.2模糊产生式规则推理

第3章基于参数化t-范数分类问题的推理模型及其敏感性分析

3.1分类问题

3.1.1分类问题描述

3.1.2分类问题数据准备

3.1.3模糊产生式规则的生成

3.2基于参数化t-范数与s-范数的分类问题推理模型

3.3基于参数化t-范数分类问题推理的敏感性分析

3.3.1分类精度敏感性的定义

3.3.2分类精度对参数p的敏感性

3.3.3实验分析方法

3.3.4实验结果分析

第4章结论与展望

参考文献

攻读硕士学位期间科研工作情况

致 谢