一类基于模糊聚类和模糊推理的稳健分类器

稳健算法为工程和科学应用所必需,本文揭示了由Setnes和Babuska提出的FRC算法的不稳健性,并提出了一种稳健非线性分类器(MFRC)。它将模糊聚类与模糊推理的优势相结合,并且对每一聚类中的模糊关系由属于这个聚类的所有局部关系加权平均得到,从而降低了少数规则的破坏影响。本文将MFRC算法与FRC算法在有编号错误和无编号错误的情况下分别与原型由LVQ、GLVQ-F算法产生的1-NMP算法比较,分类结果显示MFRC算法具有强稳健性和识别率高的特点。

强混叠模式下基于神经元捕获/抑制原理的分类器设计

目前的许多分类器设计方法,如多层感知器网络(MLP)、支持向量机(SVM)、相关向量机(RVM)、径向基函数网络(RBF)等,实际是非线性映射加线性分类的方法,即将输入空间的非线性可分问题经非线性映射到另一空间,在那一空间实现线性分类.本文则开拓性的运用脉冲耦合神经网络神经元的点火捕获的思想,提出了一种基于耦合神经元点火捕获/抑制特性的分类器设计方法,使一类样本对应神经元总是较其它类样本对应神经元先点火以实现对样本的有效分类.所设计的分类器可实现对样本空间中任意复杂分布训练样本的非线性稳健分类,特别是有效实现复杂混叠模式的模式稳健分类,大量复杂混叠模式分类问题的仿真实验验证了本文方法的有效性和可行性,并应用于微波暗室实测一维距离像数据的自动目标识别中.