基于模糊logistic神經(jīng)網(wǎng)絡(luò)的分類問題研究.pdf

1、模糊logistic神經(jīng)網(wǎng)絡(luò)集合了模糊神經(jīng)網(wǎng)絡(luò)和logistic回歸各自的優(yōu)點(diǎn)，不僅具有較強(qiáng)的自主學(xué)習(xí)能力和處理專家先驗(yàn)知識(shí)的能力，還在很大程度上提高了神經(jīng)網(wǎng)絡(luò)對(duì)于分類問題的可解釋性。本文分別介紹了模糊logistic神經(jīng)網(wǎng)絡(luò)的二分類模型和其拓展模型，以及相應(yīng)的參數(shù)辨識(shí)方法。論文的主要工作如下:
　　首先，本文提出一種混合學(xué)習(xí)策略來(lái)辨識(shí)模糊logistic神經(jīng)網(wǎng)絡(luò)二分類模型的參數(shù)。我們選用高斯隸屬函數(shù)作為網(wǎng)絡(luò)前件的隸屬函數(shù)，并采用

2、帶約束的梯度下降法來(lái)識(shí)別高斯隸屬函數(shù)的中心和寬度;選用logistic函數(shù)作為網(wǎng)絡(luò)后件的激活函數(shù)，并采用最大似然估計(jì)法來(lái)辨識(shí)logistic函數(shù)中的參數(shù);最后，利用高斯粒子群(GPSO)算法對(duì)這兩種方法中的學(xué)習(xí)率和動(dòng)量因子進(jìn)行優(yōu)化。仿真結(jié)果表明，本文所構(gòu)造的模糊logistic神經(jīng)網(wǎng)絡(luò)二分類模型對(duì)UCI數(shù)據(jù)集以及醫(yī)療實(shí)測(cè)數(shù)據(jù)均取得較好的分類效果。
　　其次，本文將模糊logistic神經(jīng)網(wǎng)絡(luò)二分類模型拓展為核模糊logistic神