基于模糊K-均值算法的模糊分类器设计

摘要

模式识别是信号与信息处理的一个重要应用领域，随着人工智能在50年代的兴起，模式识别的发展更为迅速，应用更为广泛。它所研究的理论和方法在很多科学和技术领域中得到了广泛的重视，推动了人工智能的发展，扩大了计算机应用的领域。 模式识别就是在面对某一具体事物时将其正确地归入某一类别。基于统计方法的模式识别系统主要由数据获取、预处理、特征提取和选择、分类决策和分类器设计四部分组成。 分类器设计在模式识别中是非常重要的也是很关键的一个环节。目前分类器的设计方法很多，比较常见的有：多级分类器(树分类器)、K—均值分类器、K—近邻分类器、模糊分类器以及基于神经网络的分类器等等。由于现实世界的多样性和复杂性，单靠某一种方法往往不能达到很好的分类效果，通常是几种方法结合起来使用，这是目前从事模式识别研究的一种方向。 基于模糊K—均值算法的模糊分类器就是把目前比较常用的模糊K—均值算法的分类器再一次与模糊分类器相结合而得到的一种分类器。它是一种很有效的模糊分类器，以至于训练样本能够很正确的分类。在这种方法中，首先用模糊K—均值算法把训练样本分成几个群，并且每一群的中心和半径都被计算出来。然后，设计一个用模糊度来表示群的模糊系统。这样就有效地构建了一个能对训练样本比较准确分类的模糊分类器。用这种方法设计的分类器有以下几个特点：(1)它不需要预定义参数；(2)训练时间比较短；(3)这种方法简单。 最后用两个例子对这种模糊分类器进行验证和分析。

目录

文摘

英文文摘

东南大学学位论文独创性声明及使用授权声明

第一章绪论

1.1课题的背景与意义

1.2本文的主要内容及章节安排

第二章 有关分类器设计的基本理论

2.1模式识别和模式的概念

2.2模式识别的研究方法

2.3学习和适应

2.3.1有监督学习

2.3.2无监督学习

2.3.3强化学习(reinforcement learning)

2.4贝叶斯决策理论

2.4.1基于最小错误率的贝叶斯决策

2.4.2基于最小风险的贝叶斯决策

第三章 几种传统的分类方法

3.1多级分类器(树分类器)

3.1.1多级分类器(树分类器)的基本概念

3.1.2决策树设计的基本思路

3.1.3树分类器设计方法

3.2逐点处理的K-均值分类方法

3.3 K-近邻分类方法

3.4模糊分类方法

3.4.1隶属度函数

3.4.2模糊特征和模糊分类

3.4.3模糊程度的度量(模糊度)

3.5本章小结

第四章 基于模糊K-均值算法的模糊分类器设计

4.1模糊K-均值分类器

4.1.1 K-均值分类器(批处理的K-均值分类器)

4.1.2模糊K-均值分类器

4.2基于模糊K-均值算法的模糊分类器

4.2.1由模糊K-均值算法生成群

4.2.2模糊规则的提取

第五章 基于模糊K-均值算法的模糊分类器应用实例

5.1用Iris数据进行仿真测试

5.2用实际采集的数据进行仿真测试

5.3总结

结束语

致谢

参考资料

作者简介