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，不僅具有較強的自主學習能力和處理專家先驗知識的能力，還在很大程度上提高了神經(jīng)網(wǎng)絡(luò)對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)辨識方法。論文的主要工作如下:
　　首先，本文提出一種混合學習策略來辨識模糊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識別高斯隸屬函數(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法來辨識logistic函數(shù)中的參數(shù);最后，利用高斯粒子群(GPSO)算法對這兩種方法中的學習率和動量因子進行優(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UCI數(shù)據(jù)集以及醫(yī)療實測數(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