CN109376803A - 基于模糊复集值积分的多神经网络分类器融合方法及装置 - Google Patents
基于模糊复集值积分的多神经网络分类器融合方法及装置 Download PDFInfo
- Publication number
- CN109376803A CN109376803A CN201811555761.8A CN201811555761A CN109376803A CN 109376803 A CN109376803 A CN 109376803A CN 201811555761 A CN201811555761 A CN 201811555761A CN 109376803 A CN109376803 A CN 109376803A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- classifier
- sets value
- complex sets
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供基于模糊复集值积分的多神经网络分类器融合方法及装置，发明以复模糊集值积分作为融合算法而得新型分类器，即模糊复集值积分分类器,以大数据背景下的数据流分类问题，数据流的海量特性的增量式学习数据实时分类模型、数据流动态性变化的概念漂移检测数据流模型，能提高分类模型的抗概念漂移能力。本公开提供了基于模糊复集值积分的多神经网络分类器融合方法及装置，以模糊复值积分算法为工具，具体在下面几方面具有有益效果：算法收敛速度快；抗概念漂移能力强，可控制训练集大小，应用范围广。
Description
技术领域
本公开涉及深度学习及数据处理技术领域，特别涉及基于模糊复集值积分的多神经网络分类器融合方法及装置。
背景技术
分类问题中的学习搜索是NP难问题，精确求解至今尚无法实现，探索各种启发式算法近似求解大规模复杂问题很有意义，分类的目的就是根据数据集的特点构造一个分类函数或分类模型(分类器)把未知类别样本映射到给定的类别中的某一个，它是数据挖掘、机器学习、模式识别中的重要研究领域，也是知识处理的核心问题。分类器要根据已有示例的学习将新数据划分为符合实际情况的不同类别。
常见的分类方法有：贝叶斯分类法、神经网络分类法、线性分类法，最邻近分类法、支持向量机分类法(SVM)等。其中，神经网络分类器是最为常见的是模式识别分类器，神经网络分类器中BP神经网络、RBF神经网络是应用最为广泛而有效的种类。模糊积分分类器是十多年来出现的一种新的有效的分类器训练算法，它特别适用于“属性之间存在交互影响”和“分类结果不分明”的场合。
经典多分类器融合的一般过程就是各个分类器先对待识别的样例x进行分类得到输出(即决策剖面DP)，然后用融合算子作用于DP得到一个向量，其每个分量对应于一个类，最大的分量对应的类决断为分类结果。分类器算法的缺点有些是本身固有的，如BP学习算法是基于最速梯度下降的，易陷入局部极小，过度拟合，收敛速度慢和引起震荡效应。因此，需要把几个已经训练好的分类器同时用于分类，通过各分类器之间取长补短达到更好的分类效果就产生了集成融合。另外，在一些复杂的实际问题中，属性(特征)个数很多，并且这些属性间都是相互独立的，于是，可用样例的部分属性作为输入训练分类器，然后把这些分类器对待识别样例的分类结果融合得到它的类别。
基于“模糊复集值积分分类器”融合模型，扩展了基于“模糊(实值)积分的神经网络分类器”算法是一种多分类器集成算法具有原创性。随着物联网的推广及“大数据”背景下，传统数据分类方法正面临新的挑战，数据形式的变化——从传统的静态数据向动态的数据流形式转变的特性。因此设计一种数据流分类(器)模型，不仅能够满足数据流特点，而且能够对数据流进行有效分类是本公开的目的。
发明内容
针对上述技术问题，本公开以复模糊集值积分作为融合算法而得新型分类器，即模糊复集值积分分类器,以大数据背景下的数据流分类问题，发明数据流海量特性的增量式学习数据实时分类模型、数据流动态性变化的概念漂移检测数据流模型，能提高分类模型的抗概念漂移能力，提高实时分类效率，将提高分类模型的抗概念漂移能力将概念漂移检测方法融入分类模型中。
所述基于模糊复集值积分的多神经网络分类器融合方法具体包括以下步骤：
步骤1，计算样例输入信息的模糊复值测度；
步骤2，对每一神经网络计算模糊复值积分值；
步骤3，判断神经网络分类器的类别；
步骤4，以模糊复集值积分作为融合算子对分类器进行融合；
步骤5，计算海明贴近度；
步骤6，对数据流进行分类并得到分类结果。
进一步地，在步骤1中，计算样例输入信息的模糊复值测度的方法为，设是模糊复集值模糊测度空间，如果对于任意的A∩B＝φ，均有其中λ＝Reλ+iImλ，Reλ,Imλ∈(-1,0)∪(0,+∞)，Reλ,Imλ分别为λ的实部与虚部，称模糊复集值模糊测度为λ-模糊复集值模糊测度，用gλ表示一个λ-模糊复集值模糊测度，λ为模糊复集值模糊测度。
在实际应用中考虑X为有限的情况，下面设X＝{x1,x2,…,xn}是一个有限集合，X为样本信息，A和B为待识别样例,待识别样例为样例输入信息，即输入的数据流。
X→[0,1]×[0,1]是一个复函数，且有(复数值)，且a1≥a2≥...≥an，是一个gλ模糊复集值模糊测度。
在实际应用中，关于模糊复集值模糊测度的实部与虚部可进行适当的约束，如可结合其实际含义理解为“支持度”与“非支持度”、“正面评价”与“反面评价”、“重要度”与“非重要度”等，一般而言应该满足
的值可由下式计算
其中Aj＝{x1,x2,…,xj}，
Reλ与Imλ由以下等式给出，
上式Reλ与Imλ存在性和唯一性由下列式子保证：
对固定的实数集{gj},1<j≤m，存在唯一的实数λ∈(-1,+∞),λ≠0，满足
其中代表属于第j类的输出样本由子分类器判断为第k类，代表不属于第j类的输出样本由子分类器判断为第k类。当使用模糊复集值模糊测度计算模糊复集值积分时，仅仅需要知道模糊复集值模糊测度，第j个密度值μl的实部Reμl为信息xj的重要程度，
进一步地，在步骤2中，对每一神经网络计算模糊复值积分值的方法为，
设是复模糊集值模糊测度空间，
定义在上关于的模糊复集值积分为：
其中
这里，Fλ,α,1 -＝{z|Refλ -(z)≥α}，Fλ,α,1 +＝{z|Refλ +(z)≥α},
Fλ,α,2 -＝{z|Imfλ -(z)≥α}，Fλ,α,2 +＝{z|Imfλ +(z)≥α}。
此时称在上关于复模糊集值复模糊可积，
设Z→F0(K+)是模糊复集值模糊测度空间上的模糊复集值模糊可测函数，称为在上关于的模糊复集值积分。
其中：α∈[0,∞)，神经网络分类器包括模糊复集值积分分类器、决策树分类器、选择树分类器、证据分类器任意一种。
它的离散的情形为：
当X为有限集合(即X＝{x1,x2,...,xn})，的实部和虚部都是正则的模糊测度时，复函数不失一般性，假设0+i0≤a1≤a2≤...≤an≤1+i,(如不满足，可重新排列X角标使其满足该关系式)。则模糊复集值积分可简化为:
其中Aj＝{x1,x2,...,xj}，A′j＝{xj,xj+1,...,xn}，
则模糊复集值积分值的离散型计算公式为：
其中Aj＝{x1,x2,…,xj}，A′j＝{xj,xj+1,…,xn}，
进一步地，在步骤3中，判断神经网络分类器的类别的方法为，
设(X,Λ,μ)是模糊复集值模糊测度空间，如果对于任意的A∩B＝φ，均有μ(A∪B)＝μ(A)+μ(B)+λμ(A)μ(B)，其中λ∈(-1,0)∪(0,+∞)，称模糊复集值模糊测度μ为λ-模糊复集值模糊测度，用gλ表示一个λ-模糊复集值模糊测度，当X是一个σ-代数，且gλ(X)＝1时，gλ称为模糊复集值模糊测度。设X＝{x1,x2,…,xn}是一个有限集合，f：X→[0,1]×[0,1]是一个复函数，且有且a1≥a2≥...≥an，μ是一个gλ模糊复集值模糊测度，
Imμ＝1-Reμ，Reμ的值可由下式计算Reμ({xj})＝Reμj，
Reμ({Aj})＝Reμi+Reμ(Ai-1)+(Reλ)ReμiReμ(Ai-1),1<i≤n (2)
其中Ai＝{x1,x2,…,xi}，Reλ由以下等式给出
确定模糊密度(μi)的方法有多种，其中最简单的方法就是把各个分类器的识别率作为模糊密度值。本公开参照以下公式分别对实部和虚部来确定复模糊密度。
其中代表属于第i类的输出样本由子分类器判断为第j类，代表不属于第i类的输出样本由子分类器判断为第j类。
进一步地，在步骤4中，以模糊复集值积分作为融合算子对分类器进行融合的方法为，首先采取n个已经训练好的模糊复值积分神经网络分类器，每一种神经网络的输出层都相同，即待识别样例属于c个类别的程度，对于待识别样例进行分类，然后选用融合方法对n个模糊复值积分神经网络分类器的分类结果进行融合，最终得到待识别样例的分类，其中，输入层有T个神经元，隐含层有H个神经元，输出层有c个神经元。这里T是属性(特征)数，c是类别数。此网络可视为非线性的决策过程，待识别样例为神经网络的输入数据流，
设待识别样例X＝(x1,x2,...,xT)，类别集为Ω＝(ω1，...，ωc)，每一输出神经元输出属于此类的概率值yi， 是第j个输入神经元和第k个隐含层神经元之间的权重；是第k个隐含层神经元和第i个输出神经元的权重；f是sigmoid函数，(如f(x)＝1/(1+e-x))，具有最大值的输出神经元所对应的类别是待识别样例的类别，
设Ω＝(ω1，...，ωc)为类别集，Y＝{y1,y2,...,yn}是n个神经网络构成集，A是待识别样例。
hk:Y→[0,1]表示示例A属于第k类的程度，即hk(yi)表示网络yi把示例A分为第k类的概率，则ek＝(s)∫hkdgλ，即融合后待识别样例属于第k类的概率。
根据最大值原则，取最大的ek所对应的类别即为待识别样例的最终类别。
这里主要过程是计算ek＝(s)∫hkdgλ，k＝1,2,...c，
如果hk(yi)能排序：如hk(y1)≥hk(y2)≥...≥hk(yn)
则可用模糊复集值积分的离散形式计算：
这里Ai＝{y1,y2,...,yi}；
gλ模糊复集值测度的测度密度yi表示第i个神经网络对于第k类的重要性，可由人工给出或者学习获得。参数λ由下式解出：λ∈(-1，+∞),λ≠0，进而：gλ(A1)＝gλ({y1})＝g1，gλ(Ai)＝gi+gλ(Ai-1),1<i≤n，多所有类别可选用同一个gλ模糊复集值测度，也可选用不同的。
本公开将基于模糊(实值)积分的神经网络分类器算法作为多分类器融合算法扩展为基于模糊复集值积分分类器融合算法的多分类器集成中。
进一步地，在步骤5中，计算海明贴近度的方法为，根据模糊复集值积分值计算公式，
ei(s)＝(Re(ei(s)),Im(ei(s)))(i＝1,2,...,n)，
其中，
确定预期解为
计算海明贴近度为
进一步地，在步骤6中，对数据流进行分类并得到分类结果的方法为，
步骤6.1，用滑动窗口将动态数据流转化为静态数据块，若当前滑动窗口数据块为Di+1,则前一个数据块用Di表示(i＝1,2,3,…)，窗口大小、滑动距离人工提前设定，默认值为一个数据块的大小。
步骤6.2，将数据块Di，放置于静态数据块T中为后续提供基础数据，包括类别标签；
步骤6.3，使用对静态数据块T中数据产生两种子数据集，包括训练集、验证集，生成原则：训练集占数据集整体的60％，验证集占40％划分；
步骤6.4，使用训练集进行训练多模糊复集值积分分类模型：
a：用模糊复集值积分分类模型、融合；
b：对不同个体分类模型使用相同训练集进行训练；
c：将验证集输入训练好的个体分类器中，使用模糊复集值积分分类模型的参数进行优化。
步骤6.5，用验证集训练模糊复集值积分分类模型；
步骤6.6，将当前数据块Di+1输入建好的模糊复集值积分分类模型进行分类。
步骤6.7，设数据流为X，通过滑动窗口技术对数据流，进行分割可得多个数据子集X＝{x1,x2…xn},每个数据子集中的数量都是m个；
步骤6.8，设模糊复集值积分分类模型结构所含个体分类器数量为n，记为：SVM1，SVM2，…，SVMn；
步骤6.9，使用数据流的前n个数据集，即x1,x2,…,xn，分别对不同的个体分类器模型进行训练。构建最初的个体分类器，所需数据总体为W＝m*n；
步骤6.10，设当前数据块为Di，分类器窗口中的个体分类器为SVMi；
步骤6.11，用新数据块Di更新训练模糊复集值积分分类器模型SVMnew，并将其列插入到轮转式结构中；
步骤6.12，对剩下的n-1个模型(SVM1，SVM2,…SVMn-1)进行增量式学习；
步骤6.13，个体分类器向前滚动一个位置，新的个体分类器模型进入分类窗口中，对下一个数据块进行分类；
步骤6.14，重复上述步骤6.10到步骤6.13，直到数据流X被完全分类。
进一步地，模糊复集值积分分类器模型为Sugeno型模糊复集值积分分类器模型，分类器为Sugeno型模糊复值积分分类器，。
本公开还提供了基于模糊复集值积分的多神经网络分类器融合装置，所述装置包括：
模糊测度计算单元，用于计算样例输入信息的模糊复值测度；
复值积分计算单元，用于对每一神经网络计算模糊复值积分值；
类别判断单元，用于判断神经网络分类器的类别；
分类器单元，用于以模糊复集值积分作为融合算子对分类器进行融合；
贴近度计算单元，用于计算海明贴近度；
数据流分类单元，用于对数据流进行分类并得到分类结果。
本公开的有益效果为：本公开提供了基于模糊复集值积分的多神经网络分类器融合方法及装置，能提高分类模型的抗概念漂移能力，提高实时分类效率，将提高分类模型的抗概念漂移能力将概念漂移检测方法融入分类模型中，具体在下面几方面具有有益效果：
(1)、算法收敛速度快；
(2)、抗概念漂移能力强；
(3)、可控制训练集大小；
(4)、应用范围广。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为本公开的基于模糊复集值积分的多神经网络分类器融合方法工作流程图；
图2所示为本公开的基于模糊复集值积分的多神经网络分类器融合装置模块架构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的基于模糊复集值积分的多神经网络分类器融合方法及装置工作流程图，下面结合图1来阐述根据本公开的用户偏好分析方法。
本公开提出基于模糊复集值积分的多神经网络分类器融合方法，具体包括以下步骤：
步骤1，计算样例输入信息的模糊复值测度；
步骤2，对每一神经网络计算模糊复值积分值；
步骤3，判断神经网络分类器的类别；
步骤4，以模糊复集值积分作为融合算子对分类器进行融合；
步骤5，计算海明贴近度；
步骤6，对数据流进行分类并得到分类结果。
进一步地，在步骤1中，计算样例输入信息的模糊复值测度的方法为，设是模糊复集值模糊测度空间，如果对于任意的A∩B＝φ，均有其中λ＝Reλ+iImλ，Reλ,Imλ∈(-1,0)∪(0,+∞)，Reλ,Imλ分别为λ的实部与虚部，称模糊复集值模糊测度为λ-模糊复集值模糊测度，用gλ表示一个λ-模糊复集值模糊测度，λ为模糊复集值模糊测度，所述神经网络分类器包括模糊复集值积分分类器、决策树分类器、选择树分类器、证据分类器任意一种。
在实际应用中考虑X为有限的情况，下面设X＝{x1,x2,…,xn}是一个有限集合，X为样本信息，A和B为待识别样例,待识别样例为样例输入信息，即输入的数据流。
X→[0,1]×[0,1]是一个复函数，且有(复数值)，且a1≥a2≥...≥an，是一个gλ模糊复集值模糊测度。
在实际应用中，关于模糊复集值模糊测度的实部与虚部可进行适当的约束，如可结合其实际含义理解为“支持度”与“非支持度”、“正面评价”与“反面评价”、“重要度”与“非重要度”等，一般而言应该满足
的值可由下式计算
其中Aj＝{x1,x2,…,xj}，
Reλ与Imλ由以下等式给出，
上式Reλ与Imλ存在性和唯一性由下列式子保证：
对固定的实数集{gj},1<j≤m，存在唯一的实数λ∈(-1,+∞),λ≠0，满足
其中代表属于第j类的输出样本由子分类器判断为第k类，代表不属于第j类的输出样本由子分类器判断为第k类。当使用模糊复集值模糊测度计算模糊复集值积分时，仅仅需要知道模糊复集值模糊测度，第j个密度值μl的实部Reμl为信息xj的重要程度，
进一步地，在步骤2中，对每一神经网络计算模糊复值积分值的方法为，
设是复模糊集值模糊测度空间，
定义在上关于的模糊复集值积分为：
其中
这里，Fλ,α,1 -＝{z|Refλ -(z)≥α}，Fλ,α,1 +＝{z|Refλ +(z)≥α},
Fλ,α,2 -＝{z|Imfλ -(z)≥α}，Fλ,α,2 +＝{z|Imfλ +(z)≥α}。
此时称在上关于复模糊集值复模糊可积，
设Z→F0(K+)是模糊复集值模糊测度空间上的模糊复集值模糊可测函数，称为在上关于的模糊复集值积分。
其中：α∈[0,∞)，神经网络分类器包括模糊复集值积分分类器、决策树分类器、选择树分类器、证据分类器任意一种。
它的离散的情形为：
当X为有限集合(即X＝{x1,x2,...,xn})，的实部和虚部都是正则的模糊测度时，复函数不失一般性，假设0+i0≤a1≤a2≤...≤an≤1+i,(如不满足，可重新排列X角标使其满足该关系式)。则模糊复集值积分可简化为:
其中Aj＝{x1,x2,...,xj}，A′j＝{xj,xj+1,...,xn}，
则模糊复集值积分值的离散型计算公式为：
其中Aj＝{x1,x2,…,xj}，A′j＝{xj,xj+1,…,xn}，
进一步地，在步骤3中，判断神经网络分类器的类别的方法为，
设(X,Λ,μ)是模糊复集值模糊测度空间，如果对于任意的A∩B＝φ，均有μ(A∪B)＝μ(A)+μ(B)+λμ(A)μ(B)，其中λ∈(-1,0)∪(0,+∞)，称模糊复集值模糊测度μ为λ-模糊复集值模糊测度，用gλ表示一个λ-模糊复集值模糊测度，当X是一个σ-代数，且gλ(X)＝1时，gλ称为模糊复集值模糊测度。设X＝{x1,x2,…,xn}是一个有限集合，f：X→[0,1]×[0,1]是一个复函数，且有且a1≥a2≥...≥an，μ是一个gλ模糊复集值模糊测度，
Imμ＝1-Reμ，Reμ的值可由下式计算Reμ({xj})＝Reμj，
Reμ({Aj})＝Reμi+Reμ(Ai-1)+(Reλ)ReμiReμ(Ai-1),1<i≤n(2)
其中Ai＝{x1,x2,…,xi}，Reλ由以下等式给出
确定模糊密度(μi)的方法有多种，其中最简单的方法就是把各个分类器的识别率作为模糊密度值。本公开参照以下公式分别对实部和虚部来确定复模糊密度。
其中代表属于第i类的输出样本由子分类器判断为第j类，代表不属于第i类的输出样本由子分类器判断为第j类。
进一步地，在步骤4中，以模糊复集值积分作为融合算子对分类器进行融合的方法为，首先采取n个已经训练好的模糊复值积分神经网络分类器，每一种神经网络的输出层都相同，即待识别样例属于c个类别的程度，对于待识别样例进行分类，然后选用融合方法对n个模糊复值积分神经网络分类器的分类结果进行融合，最终得到待识别样例的分类，其中，输入层有T个神经元，隐含层有H个神经元，输出层有c个神经元。这里T是属性(特征)数，c是类别数。此网络可视为非线性的决策过程，待识别样例为神经网络的输入数据流，
设待识别样例X＝(x1,x2,...,xT)，类别集为Ω＝(ω1，...，ωc)，每一输出神经元输出属于此类的概率值yi， 是第j个输入神经元和第k个隐含层神经元之间的权重；是第k个隐含层神经元和第i个输出神经元的权重；f是sigmoid函数，(如f(x)＝1/(1+e-x))，具有最大值的输出神经元所对应的类别是待识别样例的类别，
设Ω＝(ω1，...，ωc)为类别集，Y＝{y1,y2,...,yn}是n个神经网络构成集，A是待识别样例。
hk:Y→[0,1]表示示例A属于第k类的程度，即hk(yi)表示网络yi把示例A分为第k类的概率，则ek＝(s)∫hkdgλ，即融合后待识别样例属于第k类的概率。
根据最大值原则，取最大的ek所对应的类别即为待识别样例的最终类别。
这里主要过程是计算ek＝(s)∫hkdgλ，k＝1,2,...c，
如果hk(yi)能排序：如hk(y1)≥hk(y2)≥...≥hk(yn)
则可用模糊复集值积分的离散形式计算：
这里Ai＝{y1,y2,...,yi}；
gλ模糊复集值测度的测度密度yi表示第i个神经网络对于第k类的重要性，可由人工给出或者学习获得。参数λ由下式解出：λ∈(-1，+∞),λ≠0，进而：gλ(A1)＝gλ({y1})＝g1，gλ(Ai)＝gi+gλ(Ai-1),1<i≤n，多所有类别可选用同一个gλ模糊复集值测度，也可选用不同的。
本公开将基于模糊(实值)积分的神经网络分类器算法作为多分类器融合算法扩展为基于模糊复集值积分分类器融合算法的多分类器集成中。
进一步地，在步骤5中，计算海明贴近度的方法为，根据模糊复集值积分值计算公式，
ei(s)＝(Re(ei(s)),Im(ei(s)))(i＝1,2,...,n)，
其中，
确定预期解为
计算海明贴近度为
进一步地，在步骤6中，对数据流进行分类并得到分类结果的方法为，
步骤6.1，用滑动窗口将动态数据流转化为静态数据块，若当前滑动窗口数据块为Di+1,则前一个数据块用Di表示(i＝1,2,3,…)，窗口大小、滑动距离人工提前设定，默认值为一个数据块的大小。
步骤6.2，将数据块Di，放置于静态数据块T中为后续提供基础数据，包括类别标签；
步骤6.3，使用对静态数据块T中数据产生两种子数据集，包括训练集、验证集，生成原则：训练集占数据集整体的60％，验证集占40％划分；
步骤6.4，使用训练集进行训练多模糊复集值积分分类模型：
a：用模糊复集值积分分类模型、融合；
b：对不同个体分类模型使用相同训练集进行训练；
c：将验证集输入训练好的个体分类器中，使用模糊复集值积分分类模型的参数进行优化。
步骤6.5，用验证集训练模糊复集值积分分类模型；
步骤6.6，将当前数据块Di+1输入建好的模糊复集值积分分类模型进行分类。
步骤6.7，设数据流为X，通过滑动窗口技术对数据流，进行分割可得多个数据子集X＝{x1,x2…xn},每个数据子集中的数量都是m个；
步骤6.8，设模糊复集值积分分类模型结构所含个体分类器数量为n，记为：SVM1，SVM2，…，SVMn；
步骤6.9，使用数据流的前n个数据集，即x1,x2,…,xn，分别对不同的个体分类器模型进行训练。构建最初的个体分类器，所需数据总体为W＝m*n；
步骤6.10，设当前数据块为Di，分类器窗口中的个体分类器为SVMi；
步骤6.11，用新数据块Di更新训练模糊复集值积分分类器模型SVMnew，并将其列插入到轮转式结构中；
步骤6.12，对剩下的n-1个模型(SVM1，SVM2,…SVMn-1)进行增量式学习；
步骤6.13，个体分类器向前滚动一个位置，新的个体分类器模型进入分类窗口中，对下一个数据块进行分类；
步骤6.14，重复上述步骤6.10到步骤6.13，直到数据流X被完全分类。
经典多分类器融合的过程就是各个分类器先对待识别的样例x进行分类得到输出(即决策剖面DP)，然后用融合算子作用于DP得到一个向量，其每个分量对应于一个类，最大的分量对应的类决断为分类结果。
构建基于S型模糊复集值积分的多分类器融合模型
①计算模糊复集值测度，
②以模糊复集值积分作为融合算子，分别对其“实部”、“虚部”进行融合：
在现实应用中，以“实部”代表对应于这类的隶属程度，“虚部”代表对应这类的非隶属程度；
③利用贴近度进行分类。
因为模糊测度不满足可加性，所以就要把集合的所有子集确定出来，这样的计算是很庞大的，为了实际应用的需要，下面引入模糊复gλ测度概念：
设是模糊复集值模糊测度空间，如果对于任意的A∩B＝φ，均有其中λ＝Reλ+iImλ，Reλ,Imλ∈(-1,0)∪(0,+∞)，Reλ,Imλ分别为λ的实部与虚部，称模糊复集值模糊测度为λ-模糊复集值模糊测度，用gλ表示一个λ-模糊复集值模糊测度，λ为模糊复集值模糊测度。
在实际应用中考虑X为有限的情况，下面设X＝{x1,x2,…,xn}是一个有限集合，
X→[0,1]×[0,1]是一个复函数，且有(复数值)，且a1≥a2≥...≥an，是一个gλ模糊复集值模糊测度。
在实际应用中，关于模糊复集值模糊测度的实部与虚部可进行适当的约束，如可结合其实际含义理解为“支持度”与“非支持度”、“正面评价”与“反面评价”、“重要度”与“非重要度”等，一般而言应该满足
的值可由下式计算
其中Aj＝{x1,x2,…,xj}，
Reλ与Imλ由以下等式给出，
上式Reλ与Imλ存在性和唯一性由下列定理保证：
定理对固定的实数集{gj},1<j≤m，存在唯一的实数λ∈(-1,+∞),λ≠0，满足
其中代表属于第j类的输出样本由子分类器判断为第k类，代表不属于第j类的输出样本由子分类器判断为第k类。当使用模糊复集值模糊测度计算模糊复集值积分时，仅仅需要知道模糊复集值模糊测度，第j个密度值μl的实部Reμl为信息xj的重要程度。
此时，对应的S型模糊复集值积分的离散型计算公式为：
其中Aj＝{x1,x2,…,xj}，A′j＝{xj,xj+1,…,xn}，
设(X,Λ,μ)是模糊复集值模糊测度空间，如果对于任意的A∩B＝φ，均有μ(A∪B)＝μ(A)+μ(B)+λμ(A)μ(B)，其中λ∈(-1,0)∪(0,+∞)，称模糊复集值模糊测度μ为λ-模糊复集值模糊测度，用gλ表示一个λ-模糊复集值模糊测度。
当X是一个σ-代数，且gλ(X)＝1时，gλ称为模糊复集值模糊测度。设X＝{x1,x2,…,xn}是一个有限集合，f：X→[0,1]×[0,1]是一个复函数，且有且a1≥a2≥...≥an，μ是一个gλ模糊复集值模糊测度，
Imμ＝1-Reμ，Reμ的值可由下式计算Reμ({xj})＝Reμj，
Reμ({Aj})＝Reμi+Reμ(Ai-1)+(Reλ)ReμiReμ(Ai-1),1<i≤n (2)
其中Ai＝{x1,x2,…,xi}，Reλ由以下等式给出
确定模糊密度(μi)的方法有多种，其中最简单的方法就是把各个分类器的识别率作为模糊密度值。本公开参照以下公式分别对实部和虚部来确定复模糊密度。
其中代表属于第i类的输出样本由子分类器判断为第j类，代表不属于第i类的输出样本由子分类器判断为第j类。
融合实施例(一)、分类器算法的融合过程
以模糊复集值积分作为融合算子为例来说明融合过程：
若分为n类具体操作步骤如下：
Step 1：对于选择好的每个分类器，即神经网络分类器，根据(4)和(3)计算μi和λ，
然后，根据公式(2)计算模糊复集值测度值.
Step 2：根据公式(1)计算模糊复集值积分值.
ei(s)＝(Re(ei(s)),Im(ei(s)))(i＝1,2,...,n)，
其中，
Step 3：确定预期解
Step 4：计算海明贴近度N(e+(s),ei(s))：
Step 5：利用N(e+(s),ei(s))得到分类结果。
将样例x归为贴近度最大的类。
(二)、模糊复集值积分分类器CFIC(Complex fuzzy integral classifier)
1、模糊复集值积分：
分类中的模糊复集值积分算法可采用最常见的几种典型算法，特别为适应实际应用的数据场合基本都是离散情形，所以为提高算法速度采取3种典型的模糊复集值积分离散形式。
(1)模糊复集值积分
设是复模糊集值模糊测度空间，
定义在上关于的模糊复集值积分为：
其中
这里，Fλ,α,1 -＝{z|Refλ -(z)≥α}，Fλ,α,1 +＝{z|Refλ +(z)≥α},
Fλ,α,2 -＝{z|Imfλ -(z)≥α}，Fλ,α,2 +＝{z|Imfλ +(z)≥α}。
此时称在上关于复模糊集值复模糊可积。
设是模糊复集值模糊测度空间上的模糊复集值模糊可测函数，称为在上关于的模糊复集值积分。
其中：α∈[0,∞)
它的离散的情形为：
当X为有限集合(即X＝{x1,x2,...,xn})，的实部和虚部都是正则的模糊测度时，复函数不失一般性，假设0+i0≤a1≤a2≤...≤an≤1+i,(如不满足，可重新排列X角标使其满足该关系式)。则模糊复集值积分可简化为:
其中Aj＝{x1,x2,...,xj}，A′j＝{xj,xj+1,...,xn}
模糊复集值积分分类器架构：包括数据初始化层、集成学习模型层、分类结果汇总层，数据流依次通过数据初始化层、集成学习模型层、分类结果汇总层，数据流由多个数据块Di构成，数据块Di之间通过滑动窗口进行流量控制，数据初始化层将静态数据划分为训练集和验证集，训练集训练和验证集植入集成学习模型的多分类器模型中，并通过分类结果汇总层的集体学习模型得到分类结果。
(三)、模糊复集值积分分类器针对数据流分类的过程：
Begin
(1)用滑动窗口将动态数据流转化为静态数据块：
若当前滑动窗口数据块为Di+1,则前一个数据块用Di表示(i＝1,2,3,…)。
窗口大小、滑动距离人工提前设定。
(2)将数据块Di
放置于静态数据块T中为后续提供基础数据(包括类别标签)
(3)使用对静态数据块T中数据产生两种子数据集(训练集、验证集)
生成原则：训练集占数据集整体的60％，验证集占40％划分；
(4)使用训练集进行训练多模糊复集值积分分类模型：
a：用模糊复集值积分分类模型、融合(特别以S-型模糊复集值积分分类模型为例说明)
b：对不同个体分类模型使用相同训练集进行训练；
c：将验证集输入训练好的个体分类器中，使用模糊复集值积分分类模型的参数进行优化。
(5)用验证集训练模糊复集值积分分类模型；
(6)将当前数据块Di+1输入建好的模糊复集值积分分类模型进行分类。
End.
轮转式模糊复集值积分分类器针对数据流分类过程:
Begin
(1)数据初始化：
设数据流为X，通过滑动窗口技术对数据流
进行分割可得多个数据子集X＝{x1,x2…xn},每个数据子集中的数量都是m个。
设多模糊复集值积分分类模型结构所含个体分类器数量为n，记为：SVM1，SVM2，…，SVMn
使用数据流的前n个数据集(即x1,x2,…,xn)分别对不同的个体分类器模型进行训练。构建最初的个体分类器，所需数据总体为W＝m*n
(3)设当前数据块为Di，分类器窗口中的个体分类器为SVMi,
(4)用新数据块Di更新训练模糊复集值积分分类器模型SVMnew，并将其列插入到轮转式结构中。
(5)对剩下的n-1个模型(SVM1，SVM2,…SVMn-1)进行增量式学习。
(6)个体分类器向前滚动一个位置，新的个体分类器模型进入分类窗口中，对下一个数据块进行分类。
(7)重复上述(3)——(6)直到数据流X被完全分类。
End
(六)、体现数据流的动态变化性，关注概念漂移检测提高数据流分类效率：
数据流的动态变化性——概念漂移，数据分布随时间变化而变，体现在分类模型的准确率随时间变化而波动或逐渐降低以至于完全失效等现象。为此，在集成技术中注意“保存不同数据概念对应分类器，使历史出现过的概念再次出现时分类器不再更新训练地从分类池中选择合适的分类器”。通过控制数据分布、体现稳定的数据流其内部样本中各个属性间的关联关系也稳定、调整模型参数使其内部变化稳定、依最终分类的准确率(提高、保持稳定性等)控制来检测概念漂移。
(七)、优化模型算法、提高更新速度、凸显分类效率的关键技术方案为：
根据数据流的三大特性(海量性、实时性、动态变化性)，优化集成学习模型参数等，改进传统矢量化(LVQ)算法，采取增量学习机制，学习未知知识而尽可能保留已学知识以达到增量学习目的。多模糊复集值积分分类器模型依托轮转式架构，采用增量式学习法对不同模型更新来提高模型整体更新速度。
首先采取n个已经训练好的模糊复值积分神经网络分类器(每一种神经网络的输出层都相同，即待识别样例属于c个类别的程度)对于待识别样例进行分类，然后选用融合方法对n个模糊复值积分神经网络分类器的分类结果进行融合，最终得到待识别样例的分类，这就是多神经网络分类器融合架构。
本公开的新型分类器，设计中采取了特殊的关键技术方案：
(a)针对分类中度量问题:拟采用“贴进度”度量；
(b)具体针对数据流应用问题采取“集成分类思想”，将概念漂移检测方法融入分类模型中”的方法。
本公开里提供用模糊复gλ测度为特点，它是对输入样本X信息重要程度的一种度量。本公开中把各个分类器的识别率作为模糊密度值实施，注意到“gλ模糊复集值测度的测度密度yi表示第i个神经网络对于第k类的重要性”。有了模糊复值测度的取得才为利用模糊复值积分作为融合工具进行后面的分类起了关键基础，使各个分类器对待识别的样例x进行分类。
进一步地，模糊复集值积分分类器模型为轮转式多模糊复集值积分分类模型、Sugeno型模糊复集值积分分类器模型，分类器为Sugeno型模糊复值积分分类器、轮转式多模糊复集值积分分类器，模糊积分分类器(Complex fuzzy integral classifier，记作CFIC)，Sugeno型模糊复值积分(记作：S-CFIC)，Sugeno型模糊复值积分(记作：S-CFIC)面的多分类器记作：S-CFIC1，S-CFIC2，…，S-CFICn-1，S-CFICn。
本公开还提供了基于模糊复集值积分的多神经网络分类器融合装置，如图2所示，所述装置包括：
模糊测度计算单元，用于计算样例输入信息的模糊复值测度；
复值积分计算单元，用于对每一神经网络计算模糊复值积分值；
类别判断单元，用于判断神经网络分类器的类别；
分类器单元，用于以模糊复集值积分作为融合算子对分类器进行融合；
贴近度计算单元，用于计算海明贴近度；
数据流分类单元，用于对数据流进行分类并得到分类结果。
所述基于模糊复集值积分的多神经网络分类器融合装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述基于模糊复集值积分的多神经网络分类器融合装置可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是基于模糊复集值积分的多神经网络分类器融合装置的示例，并不构成对基于模糊复集值积分的多神经网络分类器融合装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于模糊复集值积分的多神经网络分类器融合装置还可以包括输入输出设备、网络接入设备、总线等。所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于模糊复集值积分的多神经网络分类器融合装置运行装置的控制中心，利用各种接口和线路连接整个基于模糊复集值积分的多神经网络分类器融合装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于模糊复集值积分的多神经网络分类器融合装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (8)
1.基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，所述方法包括：
步骤1，计算样例输入信息的模糊复值测度；
步骤2，对每一神经网络计算模糊复值积分值；
步骤3，判断神经网络分类器的类别；
步骤4，以模糊复集值积分作为融合算子对分类器进行融合；
步骤5，计算海明贴近度；
步骤6，对数据流进行分类并得到分类结果。
2.根据权利要求1所述的基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，在步骤1中，计算样例输入信息的模糊复值测度的方法为，
设是模糊复集值模糊测度空间，如果对于任意的均有其中λ＝Reλ+iImλ，Reλ,Imλ∈(-1,0)∪(0,+∞)，Reλ,Imλ分别为λ的实部与虚部，称模糊复集值模糊测度为λ-模糊复集值模糊测度，用gλ表示一个λ-模糊复集值模糊测度，λ为模糊复集值模糊测度，设X＝{x1,x2,…,xn}是一个有限集合，X→[0,1]×[0,1]是一个复函数，且有即复数值，且a1≥a2≥...≥an，是一个gλ模糊复集值模糊测度,模糊复集值模糊测度的实部与虚部满足
的值由下式计算：
其中Aj＝{x1,x2,…,xj}，
Reλ与Imλ由以下等式给出，
上式Reλ与Imλ存在性和唯一性由下列式子保证：
对固定的实数集{gj},1<j≤m，存在唯一的实数λ∈(-1,+∞),λ≠0，满足
其中代表属于第j类的输出样本由子分类器判断为第k类，代表不属于第j类的输出样本由子分类器判断为第k类，当使用模糊复集值模糊测度计算模糊复集值积分时，第j个密度值μl的实部Reμl为信息xj的重要程度。
3.根据权利要求2所述的基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，在步骤2中，对每一神经网络计算模糊复值积分值的方法为，
设是复模糊集值模糊测度空间，
定义在上关于的模糊复集值积分为：
其中
这里，Fλ,α,1 -＝{z|Refλ -(z)≥α}，Fλ,α,1 +＝{z|Refλ +(z)≥α},
Fλ,α,2 -＝{z|Imfλ -(z)≥α}Fλ,α,2 +＝{z|Imfλ +(z)≥α}，
此时称在上关于复模糊集值复模糊可积，
设是模糊复集值模糊测度空间上的模糊复集值模糊可测函数，称为在上关于的模糊复集值积分，其中：α∈[0,∞)，离散的情形为：当X为有限集合，即X＝{x1,x2,...,xn}，的实部和虚部都是正则的模糊测度时，复函数设模糊复集值积分为:
其中Aj＝{x1,x2,...,xj}，A′j＝{xj,xj+1,...,xn}，
则模糊复集值积分值的离散型计算公式为：
其中Aj＝{x1,x2,…,xj}，A′j＝{xj,xj+1,…,xn}。
4.根据权利要求3所述的基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，在步骤3中，判断神经网络分类器的类别的方法为，
设(X,Λ,μ)是模糊复集值模糊测度空间，如果对于任意的均有μ(A∪B)＝μ(A)+μ(B)+λμ(A)μ(B)，其中λ∈(-1,0)∪(0,+∞)，称模糊复集值模糊测度μ为λ-模糊复集值模糊测度，用gλ表示一个λ-模糊复集值模糊测度，当X是一个σ-代数，且gλ(X)＝1时，gλ称为模糊复集值模糊测度，设X＝{x1,x2,…,xn}是一个有限集合，f：X→[0,1]×[0,1]是一个复函数，且有且a1≥a2≥...≥an，μ是一个gλ模糊复集值模糊测度，
Imμ＝1-Reμ，Reμ的值可由下式计算Reμ({xj})＝Reμj，
Reμ({Aj})＝Reμi+Reμ(Ai-1)+(Reλ)ReμiReμ(Ai-1),1<i≤n，
其中Ai＝{x1,x2,…,xi}，Reλ由以下等式给出
参照以下公式分别对实部和虚部来确定复模糊密度，
其中代表属于第i类的输出样本由子分类器判断为第j类，代表不属于第i类的输出样本由子分类器判断为第j类。
5.根据权利要求4所述的基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，在步骤4中，以模糊复集值积分作为融合算子对分类器进行融合的方法为，首先采取n个已经训练好的模糊复值积分神经网络分类器，每一种神经网络的输出层都相同，即待识别样例属于c个类别的程度，对于待识别样例进行分类，然后选用融合方法对n个模糊复值积分神经网络分类器的分类结果进行融合，最终得到待识别样例的分类，其中，输入层有T个神经元，隐含层有H个神经元，输出层有c个神经元，T是属性数，c是类别数，
设待识别样例X＝(x1,x2,...,xT)，类别集为Ω＝(ω1，...，ωc)，每一输出神经元输出属于此类的概率值yi， 是第j个输入神经元和第k个隐含层神经元之间的权重；是第k个隐含层神经元和第i个输出神经元的权重；f是sigmoid函数，具有最大值的输出神经元所对应的类别是待识别样例的类别，
设Ω＝(ω1，...，ωc)为类别集，Y＝{y1,y2,...,yn}是n个神经网络构成集，A是待识别样例，
hk:Y→[0,1]表示示例A属于第k类的程度，即hk(yi)表示网络yi把示例A分为第k类的概率，则ek＝(s)∫hkdgλ，即融合后待识别样例属于第k类的概率，
根据最大值原则，取最大的ek所对应的类别即为待识别样例的最终类别，
这里主要过程是计算ek＝(s)∫hkdgλ，k＝1,2,...c，
如果hk(yi)能排序，则用模糊复集值积分的离散形式计算：
这里Ai＝{y1,y2,...,yi}；
gλ模糊复集值测度的测度密度yi表示第i个神经网络对于第k类的重要性，参数λ由下式解出：λ∈(-1，+∞),λ≠0，进而：gλ(A1)＝gλ({y1})＝g1，gλ(Ai)＝gi+gλ(Ai-1),1<i≤n，多所有类别可选用同一个gλ模糊复集值测度，也可选用不同的。
6.根据权利要求5所述的基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，在步骤5中，计算海明贴近度的方法为，根据模糊复集值积分值计算公式，
ei(s)＝(Re(ei(s)),Im(ei(s)))(i＝1,2,...,n)，
其中，
确定预期解为
计算海明贴近度为
7.根据权利要求6所述的基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，在步骤6中，对数据流进行分类并得到分类结果的方法为，
步骤6.1，用滑动窗口将动态数据流转化为静态数据块，若当前滑动窗口数据块为Di+1,则前一个数据块用Di表示,i＝1,2,3,…；
步骤6.2，将数据块Di，放置于静态数据块T中为后续提供基础数据，包括类别标签；
步骤6.3，使用对静态数据块T中数据产生两种子数据集，包括训练集、验证集，生成原则：训练集占数据集整体的60％，验证集占40％划分；
步骤6.4，使用训练集进行训练多模糊复集值积分分类模型：
a：用模糊复集值积分分类模型、融合；
b：对不同个体分类模型使用相同训练集进行训练；
c：将验证集输入训练好的个体分类器中，使用模糊复集值积分分类模型的参数进行优化；
步骤6.5，用验证集训练模糊复集值积分分类模型；
步骤6.6，将当前数据块Di+1输入建好的模糊复集值积分分类模型进行分类；
步骤6.7，设数据流为X，通过滑动窗口技术对数据流，进行分割可得多个数据子集X＝{x1,x2…xn},每个数据子集中的数量都是m个；
步骤6.8，设模糊复集值积分分类模型结构所含个体分类器数量为n，记为：SVM1，SVM2，…，SVMn；
步骤6.9，使用数据流的前n个数据集，即x1,x2,…,xn，分别对不同的个体分类器模型进行训练，构建最初的个体分类器，所需数据总体为W＝m*n；
步骤6.10，设当前数据块为Di，分类器窗口中的个体分类器为SVMi；
步骤6.11，用新数据块Di更新训练模糊复集值积分分类器模型SVMnew，并将其列插入到轮转式结构中；
步骤6.12，对剩下的n-1个模型(SVM1，SVM2,…SVMn-1)进行增量式学习；
步骤6.13，个体分类器向前滚动一个位置，新的个体分类器模型进入分类窗口中，对下一个数据块进行分类；
步骤6.14，重复上述步骤6.10到步骤6.13，直到数据流X被完全分类。
8.基于模糊复集值积分的多神经网络分类器融合装置，其特征在于，所述装置包括：
模糊测度计算单元，用于计算样例输入信息的模糊复值测度；
复值积分计算单元，用于对每一神经网络计算模糊复值积分值；
类别判断单元，用于判断神经网络分类器的类别；
分类器单元，用于以模糊复集值积分作为融合算子对分类器进行融合；
贴近度计算单元，用于计算海明贴近度；
数据流分类单元，用于对数据流进行分类并得到分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811555761.8A CN109376803A (zh) | 2018-12-19 | 2018-12-19 | 基于模糊复集值积分的多神经网络分类器融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811555761.8A CN109376803A (zh) | 2018-12-19 | 2018-12-19 | 基于模糊复集值积分的多神经网络分类器融合方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109376803A true CN109376803A (zh) | 2019-02-22 |
Family
ID=65371150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811555761.8A Pending CN109376803A (zh) | 2018-12-19 | 2018-12-19 | 基于模糊复集值积分的多神经网络分类器融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376803A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298434A (zh) * | 2019-05-27 | 2019-10-01 | 湖州师范学院 | 一种基于模糊划分和模糊加权的集成深度信念网络 |
| CN113660237A (zh) * | 2021-08-10 | 2021-11-16 | 和中通信科技有限公司 | 一种基于动态滑动窗口的工业互联网数据流异常检测方法、存储器和处理器 |
-
2018
- 2018-12-19 CN CN201811555761.8A patent/CN109376803A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298434A (zh) * | 2019-05-27 | 2019-10-01 | 湖州师范学院 | 一种基于模糊划分和模糊加权的集成深度信念网络 |
| CN110298434B (zh) * | 2019-05-27 | 2022-12-09 | 湖州师范学院 | 一种基于模糊划分和模糊加权的集成深度信念网络 |
| CN113660237A (zh) * | 2021-08-10 | 2021-11-16 | 和中通信科技有限公司 | 一种基于动态滑动窗口的工业互联网数据流异常检测方法、存储器和处理器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Williford et al. | Explainable face recognition | |
| CN105760888B (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
| CN106530010B (zh) | 融合时间因素的协同过滤方法和装置 | |
| CN108038700A (zh) | 一种反欺诈数据分析方法与系统 | |
| CN107220277A (zh) | 基于手绘草图的图像检索算法 | |
| CN103617235B (zh) | 一种基于粒子群算法的网络水军账号识别方法及系统 | |
| CN108364016A (zh) | 基于多分类器的渐进式半监督分类方法 | |
| CN107045788A (zh) | 交通路况预测方法及装置 | |
| CN110008259A (zh) | 可视化数据分析的方法及终端设备 | |
| CN108776820A (zh) | 一种利用宽度神经网络改进的随机森林集成方法 | |
| CN107133436A (zh) | 一种多重抽样模型训练方法及装置 | |
| CN104751182A (zh) | 基于ddag的svm多类分类主动学习算法 | |
| CN108363810A (zh) | 一种文本分类方法及装置 | |
| CN106599913A (zh) | 一种基于聚类的多标签不平衡生物医学数据分类方法 | |
| CN106228183A (zh) | 一种半监督学习分类方法与装置 | |
| CN102324038A (zh) | 一种基于数字图像的植物种类识别方法 | |
| CN109766950A (zh) | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 | |
| CN110225055A (zh) | 一种基于knn半监督学习模型的网络流量异常检测方法与系统 | |
| CN104702465A (zh) | 一种并行网络流量分类方法 | |
| CN107786388A (zh) | 一种基于大规模网络流数据的异常检测系统 | |
| CN109214444B (zh) | 基于孪生神经网络和gmm的游戏防沉迷判定系统及方法 | |
| CN109492093A (zh) | 基于高斯混合模型和em算法的文本分类方法及电子装置 | |
| CN109614990A (zh) | 一种目标检测装置 | |
| CN108228684A (zh) | 聚类模型的训练方法、装置、电子设备和计算机存储介质 | |
| CN109376803A (zh) | 基于模糊复集值积分的多神经网络分类器融合方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |