带质心的K最近邻增强模糊最小最大神经网络的集成方法

在分类任务中,传统的模糊最小最大神经网络及其变体在训练网络的时候没有考虑超盒内部训练数据的分布情况,并且考虑扩展系数的问题也不是很充分,导致每次训练新数据集都要重新选择最优的扩展系数。因此,提出了一种带质心的K最近邻增强模糊最小最大神经网络的集成方法。在该方法中,一方面,每个超盒都带有质心,用来描述之前训练的样本在该超盒的大体分布情况,并且在扩展规则及收缩方面考虑了样本距离超盒质心的因素;另一方面,使用5个带质心的K最近邻增强模糊最小最大神经网络作为弱分类器,每个分类器设置不同的扩展系数,当该方法训练完后,将得出的离散属性值作为随机森林的训练集,最后,使用测试样本验证网络的分类性能。实验结果表明:提出的方法在准确率、精准率、召回率以及F-score等方面大部分的结果高于传统的FMMN及其变体的结果,该方法有效地克服了FMMN的准确性过于依赖扩展系数的问题。