[发明专利]一种集“分类与聚类”为一体的模糊神经网络算法

权利要求书

1.一种集“分类与聚类”为一体的模糊神经网络算法，其特征在于，具体为：

一、基本定义

1)、输入向量

集成算法模型的输入模式采用下列形式的序对：{X_h，d_h}；

其中，表示第h个输入模式，是低端点，是高端点，h为正整数；d_h∈{0，1，2，...p}表示p+1类中某一类的类别标记，p为正整数，当d_h＝0时意味着输入样本为未标识样本；

2)、模糊超盒隶属度函数

一个超盒定义n维模式空间中的一个区域，n为正整数；每个超盒具有一个模糊隶属度函数，模糊隶属度函数决定了模式空间中任意一点对该超盒的隶属程度；超盒的最小最大点和模糊隶属度函数定义了一个模糊集，属于同一类模式的超盒模糊集的并就构成了该类模式的分类空间；

首先，第j个超盒模糊集定义为一个有序集合：

B_j＝{X_h，V_j，W_j，b_j(X_h，V_j，W_j)} (1)

其中：h＝{1，2，...m}，m为正整数；是第h个输入模式，V_j是第h个输入模式的最小点，W_j第h个输入模式的最大点，模糊隶属度函数0≤b_j(X_h，V_j，W_j)≤1，模糊隶属度函数定义如下：

其中，f(r，γ)是两个参数的斜坡阈值函数，它符合在模糊逻辑系统中，能够简明直观的表达专家知识的特征；

γ＝[γ₁，γ₂，...γ_n]表示灵敏度参数，其表明隶属度值下降的速率；当γ变大时，模糊集边界将变得更加清晰，且随着γ的减小，模糊集边界的这种清晰性也会逐渐降低；

其中，公式(2)中的X_ih^u表示第h个超盒高端点的第i维分量值，W_ji表示第j个超盒的高端点，V_ji表示第j个超盒的低端点，X_ih^l表示第h个输入模式低端点的第i维分量值；第h个超盒与第j个超盒两者之间逐维进行比较；

二、学习算法

1)、超盒初始化

对于给定的样本集X∈{X_h|h＝1，2，...，m}，V_j及W_j的初始值设为：V_j＝0，W_j＝0；当第j个超盒被首次增加进来时，超盒的最大、最小点将依次被修改为：初始化标识集class(B_k)＝d_k对于所有的k＝0，1....p，如果d_k＝0则意味着样本未被标识；

2)、超盒扩张

当从上一步中选出的第h个输入模式B_h与超盒B_j满足相似性测度最大时，判断其是否满足下列扩张准则：

θ为自定义参数，用来限制超盒的最大尺寸，并且0＜θ＜1；其后再根据下列公式来调整B_j：

如果class(B_h)＝0则调整B_j (5)

否则

如果

上述扩张可以分成两种情况，其一：当输入模式B_h属于未标识样本，即class(B_h)＝0，并且超盒B_h与超盒B_j又满足超盒的扩张准则，以及相似性最大的测度值，那么认为这个输入模式B_h归属于足够接近的某个类别或聚类族，则调整B_h和B_j进行扩张；其二：当输入模式的标识是已知的，即class(B_h)≠0，属于某个特定的类别，则又可以分为以下三种情况：1)超盒B_j没有具体的类别信息，即class(B_j)＝0，则调整B_h和B_j进行扩张；并且，超盒B_j被赋予与超盒B_h相同的类别标识；2)超盒B_j与超盒B_h具有相同的类别信息，即class(B_j)＝class(B_h)，则调整B_h和B_j进行扩张；3)超盒B_j有具体的类别信息，但不同于超盒B_h，即class(B_j)≠class(B_h)，则在相似性矩阵中取其他的一对，满足最大相似性测度的超盒。

B_j的调整操作如下：

将B_h从原超盒集中除去，加入扩张后的超盒B_j；

其中，分别表示超盒低端点和高端点的新值，分别表示超盒低端点和高端点的旧值，分别表示超盒的低端点和高端点；

3)、重叠测试

超盒的重叠测试分为两种情况，如以下公式所示：

上述测试原则充分体现了不同类别超盒之间不允许有重叠的原则；用δ表示重叠程度，且初始值δ^old＝1；对前一步扩张所得的超盒B_j，逐维比较B_j和当前超盒集中的其他超盒B_k，如果B_j和B_k的每一维分量都符合下列四种情况之一，则它们之间发生重叠：1)v_ji＜v_ki＜w_ji＜w_ki；2)v_ki＜v_ji＜w_ki＜w_ji；3)v_ji＜v_ki≤w_ki＜w_ji；4)v_ki＜v_ji≤w_ki＜w_ji；

其中，v即表示最低端，w即表示最高端，i表示其中的某一维；

4)、超盒压缩

如果超盒发生了重叠，则也要按照上述四种情况进行压缩，以消除重叠，具体操作与FMM学习算法的重叠测试与压缩操作一样；

压缩操作完成后，还要对模糊隶属度函数进行更新，即对扩张与压缩操作后得到的超盒集，根据式(1)、(2)重新计算其模糊隶属度函数，上述过程循环往复，直至不再有超盒可以进行扩张为止。

2.如权利要求1所述的一种集“分类与聚类”为一体的模糊神经网络算法，其特征在于：1)当输入的样本集全是未标识的样本，随后的学习过程采用非监督学习方式，对样本集进行聚类操作；2)当输入的样本集全是已标识的样本，随后的学习过程采用监督学习方式，对样本集进行分类操作；3)当输入的样本集部分是已标识的样本、部分是未标识的样本，则随后的学习过程采用监督学习方式，对样本集进行分类操作。