基于模糊神經(jīng)網(wǎng)絡(luò)和ELM的分類算法的研究.pdf

1、神經(jīng)網(wǎng)絡(luò)在模式識別領(lǐng)域有著重要的應(yīng)用，一定程度上推動著尤其以分類器為代表的快速發(fā)展。本文在這一背景下，以模糊神經(jīng)網(wǎng)絡(luò)及快速學(xué)習(xí)機為基礎(chǔ)，開發(fā)了四種基于神經(jīng)網(wǎng)絡(luò)的分類算法，著重提高分類器的運行速度和分類精度，并將其性能進行了比較。
　　首先，提出了以基于數(shù)據(jù)質(zhì)心的模糊極大極小神經(jīng)網(wǎng)絡(luò)的自適應(yīng)分類器。使分類器的權(quán)值可以根據(jù)不同的樣本分布進行在線更新，不斷地增強分類器的學(xué)習(xí)能力，同時增強了其在線操作的可能性，并采用遺傳算法完成最佳的參數(shù)

2、尋優(yōu)，提高了分類器的精度。
　　鑒于模糊極大極小自適應(yīng)分類器在結(jié)構(gòu)上的冗余性，繼續(xù)提出了基于PCA和AGA的改進型模糊極大極小神經(jīng)網(wǎng)絡(luò)。為超盒引入置信度的概念，增強其魯棒性。重寫超盒生成規(guī)則并提出新的隸屬度函數(shù)來解決之前所有該類分類器都無法解決的模糊區(qū)域糾紛。同時采取FMNN的網(wǎng)絡(luò)結(jié)構(gòu)，PCA的數(shù)據(jù)降維及自適應(yīng)的參數(shù)尋優(yōu)都為網(wǎng)絡(luò)的快速高效提高了保障。
　　不同于模糊神經(jīng)網(wǎng)絡(luò)，快速學(xué)習(xí)機有著無可比擬的學(xué)習(xí)速度但分類精度有待提高