一个基于模糊神经网络的模式分类系统

摘要

目前，基于神经网络的分类系统在许多领域得到了越来越广泛的应用．但是，该系统大多采用的是离线自适应（ｏｆ－ｌｉｎｅａｄａｐｔａｔｉｏｎ）机制，即神经网络需学习新的分类知识时，要重新训练神经网络，从而大大增加神经网络的训练时间；对于重叠分类，一般是构成一个贝叶斯（Ｂａｙｅｓ）分类器．然而，贝叶斯分类器的构成需要关于分类数据的概率密度函数的先验知识，而这些知识常常在模式分类前是难以获得的．为了解决这些问题，文中根据模糊集合理论，提出了一种基于模糊神经网络的模式分类方法．该方法把模糊逻辑和神经网络结合起来，神经网络由不同类型的神经元组成，实现广泛应用于模糊集合中的与、或和匹配等逻辑操作，以提高神经网络的在线自适应、重叠分类的能力，提高神经网络的学习效率和解释能力．实验结果表明，该方法是可行的，并且在分类效率和分类有效性等方面，较其他的模式分类方法有很大的提高，有广泛的应用价值．