基于循环学习的模糊神经网络学习算法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107766931A(43)申请公布日2018.03.06(21)申请号201710893289.8(22)申请日2017.09.27(71)申请人上海电机学院地址201100上海市闵行区江川路690号(72)发明人罗宜元(74)专利代理机构上海申汇专利代理有限公司31001代理人翁若莹柏子雵(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图1页(54)发明名称基于循环学习的模糊神经网络学习算法(57)摘要本发明涉及一种基于循环学习的模糊神经网络学习算法，通过定义的“超盒可信度”值来计算每一层超盒扩张后的超盒可信度值；在每一次的全部训练样本的学习过程以后，对所有存在的超盒的分类性能进行分析，删除“可信度低”的超盒，保留“可信度高”的超盒，然后减小最大尺度限制参数值θ，再次进行训练，直到分类器的性能满足要求，或者达到的最小允许取值。本发明既可以避免最大尺度限制参数θ值难以定义的难题，也限制了超盒扩张过程中超盒数目的盲目增加。CN107766931ACN107766931A权利要求书1/1页1.一种基于循环学习的模糊神经网络学习算法，其特征在于，包括以下步骤：步骤1、定义超盒可信度参数，第j个超盒的超盒可信度参数为Pj，则有：步骤2、设定超盒可信度参数的阈值P，设定分类错误率阈值；步骤3、用较大的最大尺度限制参数θ；步骤4、利用样本集训练模糊最小-最大神经网络，训练结束后计算分类错误率，若分类错误率不高于分类错误率阈值，则训练结束，否则，计算超盒集中每个超盒的超盒可信度参数，删除超盒可信度参数低于阈值P的超盒；步骤5、减小最大尺度限制参数θ的值，返回步骤4。2CN107766931A说明书1/4页基于循环学习的模糊神经网络学习算法技术领域[0001]本发明涉及一种基于循环学习的模糊神经网络学习算法。背景技术[0002]模糊神经网络是一种令人关注的模型，Simpso提出的模糊最小-最大神经网络(FMM)是一种采用超盒隶属度函数的模糊神经网络可以应用于模式分类、函数逼近和聚类分析等问题，最近得到了广泛的研究，并且在字符识别和检测等领域得到应用。[0003]FMM的学习算法由四步组成：初始化-扩张-重叠测试-压缩。每输入一个样本都要重复上述四步，直至边界稳定为止。这四步学习算法中，超盒的扩张准则(学习算法的第二步)是由超盒的尺度限制参数来决定的，也就是说超盒的尺度限制参数决定了每一次学习过程中，每一个超盒的扩张与否，也就成了决定FMM最终模式分类正确率的关键参数。[0004]以下对FMM做详细说明：[0005]一)定义[0006]1、输入向量[0007]模糊神经网络的学习模型，其输入模式采用下列形式的序对：{Xh，dh}，式中，表示第h个输入样本，是低端点，是高端点。而dh∈{0，1，2，...p}表示p+1类中某一类的类别标记，当dh＝0时就意味着输入样本为未标识样本。[0008]2、模糊超盒隶属度函数[0009]FMM主要采用超盒对模式空间进行划分，一个超盒定义了n维模式空间的一个区域。所有包含在超盒中的模式具有相同的类别，一个超盒由它在模式空间的最小点和最大点共同表示，并且对应一个模糊隶属度函数。[0010]图1所示为三维模式空间中的一个超盒，从图中可以看出，它完全由一对最小点和最大点确定。虽然超盒的每一维分量都可以取任何范围的值，但FMM中规定超盒每维分量的取值都在0和1之间。因此，模式空间将是一个三维的单位立方体。每个超盒模糊集的隶属度函数都描述了样本隶属于该超盒的程度，且隶属度取值范围也在0和1之间。[0011]设第j个超盒的超盒模糊集为Bj，则有：[0012]Bj＝{Xh，Vj，Wj，bj(Xh，Vj，Wj)}，式中，Xh表示第h个输入样本，Vj表示第j个超盒的最小点，Wj表示第j个超盒的最大点，bj(Xh，Vj，Wj)表示模糊隶属度函数，模糊隶属度函数衡量了第h个输入样本Xh位于由最小点Vj和最大点Wj形成的第j个超盒中的程度。[0013]二)学习算法：[0014]1、超盒初始化：[0015]对于给定的样本集X∈{Xh|h＝1，2….，m}，新的第j个超盒的Vj及Wj的初始值设为0。当利用第h个输入样本进行训练时，若第j个超盒被首次增加进来，超盒的最大、最小点将依次被修改为及初始化标识集class(Bk)＝dkforallk＝0，1，...，p，如果dk＝0则意味着样本未被标识，dk表示类别标识。[0016]2、超盒扩张：3CN107766931A说明书2/4页[0017]从上一步的样本集X∈{Xh|h＝1，2，...，m}中选出第h个输入样本，原超盒集中与第h个输入样本最接近