專利名稱：一種基于多維度搜索的分類器處理方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識(shí)別領(lǐng)域，尤其涉及一種基于多維度搜索的分類器處理方法及裝置。
背景技術(shù)：
模糊最大-最小神經(jīng)網(wǎng)絡(luò)(簡稱FMMN)作為分類器是一種采用超盒模糊集對(duì)模式空間進(jìn)行劃分的模式分類器，F(xiàn)MMN分類器將一系列小模糊子集的并集構(gòu)成一個(gè)能代表某類模式任意邊界形狀的模式集合。模糊神經(jīng)網(wǎng)絡(luò)分類器主要分為以下三層第一層為輸入層； 第二層為超盒的形成和調(diào)整層；第三層為模糊決策層，即輸出層。其功能主要體現(xiàn)在通過對(duì)部分樣本進(jìn)行學(xué)習(xí)而形成分類邊界，再對(duì)未知樣本進(jìn)行分類。然而盲目的樣本選擇方法往往需要大量的學(xué)習(xí)樣本，這不僅使得FMMN分類器的訓(xùn)練過程大大延長，而且在時(shí)間和工作量上也都付出了很大的代價(jià)。為了解決通過改善學(xué)習(xí)樣本而提高分類器效率的問題，目前的技術(shù)包含例如 Shahshahani和Landgrebe在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)分類器時(shí)，利用未標(biāo)識(shí)樣本來有效提高分類器的分類性能；Davide和Sandro將無監(jiān)督的核聚類算法與有監(jiān)督分類的支持向量機(jī)有機(jī)結(jié)合起來，既實(shí)現(xiàn)了無標(biāo)識(shí)樣本的分類問題，又有效提高了分類器的分類正確率；Kothari和 Vivek采用遺傳算法來反覆提煉未標(biāo)識(shí)樣本的類成員關(guān)系，以使得模式分類器中的最大化后驗(yàn)概率與已知類別保持一致；Fardanesh和Okan將未標(biāo)識(shí)樣本與已標(biāo)識(shí)樣本結(jié)合起來， 共同作為分類器的訓(xùn)練樣本，發(fā)現(xiàn)在樣本數(shù)與特征維數(shù)比率為較小值的情況下仍然能夠獲得較高的分類精度。學(xué)者B. Gabrys在FMMN的基礎(chǔ)上提出了 “聚類與分類”相結(jié)合的通用型模糊最大-最小神經(jīng)網(wǎng)絡(luò)模型(簡稱GFMM)，該模型與FMMN有以下幾點(diǎn)不同1)其輸入模式由原來的η維空間的一個(gè)點(diǎn)擴(kuò)展為η維空間的一個(gè)超盒體；幻超盒的模糊隸屬度函數(shù)以及超盒的擴(kuò)張約束都被修改；幻其輸入模式可以是已標(biāo)識(shí)的，也可以是未標(biāo)識(shí)的；4)超盒擴(kuò)張時(shí)的最大尺寸限制是一個(gè)逐漸調(diào)整的改變值。從GFMM的工作原理來看，該模型的訓(xùn)練過程可以描述成一個(gè)動(dòng)態(tài)的超盒擴(kuò)張與壓縮過程，超盒模糊集在輸入空間中被不斷地生成與調(diào)整。其基本策略是初始時(shí)設(shè)置相對(duì)較大地?cái)U(kuò)張準(zhǔn)則并生成較大的超盒，隨后通過不斷地調(diào)整擴(kuò)張準(zhǔn)則及縮小超盒尺寸，來精確描述出不同類別的輸入模式間的非線性邊界。上述方法雖然在一些領(lǐng)域的應(yīng)用取得了一定的成功，但是存在如下問題，例如， GFMM模型存在兩個(gè)重要問題1)確定適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)(即超盒數(shù)目大小)；B. Gabrys在研究通用模糊神經(jīng)網(wǎng)絡(luò)模型GFMM時(shí)，提出逐漸減小超盒最大尺寸限制值，通過比較，逐步找到最佳值。但是這種對(duì)超盒重疊區(qū)域逐步劃分的方法往往容易造成超盒數(shù)目過多，網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，而網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜又會(huì)導(dǎo)致網(wǎng)絡(luò)的過適應(yīng)的問題；2)樣本訓(xùn)練時(shí)間較長； GFMM網(wǎng)絡(luò)在運(yùn)行時(shí)，數(shù)據(jù)不是一次通過，而是在不斷調(diào)整超盒最大尺寸限制值的過程中多次通過。同時(shí)未標(biāo)識(shí)樣本在進(jìn)行重疊測試時(shí)，需要與所有其他樣本逐一進(jìn)行重疊測試，無形中就使得樣本的訓(xùn)練時(shí)間被延長。
因此，設(shè)計(jì)一種節(jié)省網(wǎng)絡(luò)運(yùn)行時(shí)間和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的多維度搜索的分類器處理方法及裝置十分必要，是模式識(shí)別領(lǐng)域目前急待解決的問題之一。

發(fā)明內(nèi)容
本發(fā)明實(shí)施例提供一種基于多維度搜索的分類器處理方法及裝置，通過獲取輸入樣本間的空間連續(xù)性位置信息進(jìn)行排序，并依據(jù)相似度測量值進(jìn)行超盒擴(kuò)張，并對(duì)超盒進(jìn)行壓縮，以獲取最佳數(shù)量的超盒數(shù)目，進(jìn)而實(shí)現(xiàn)節(jié)省網(wǎng)絡(luò)運(yùn)行時(shí)間和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的目的。本發(fā)明實(shí)施例提供以下技術(shù)方案 一種基于多維度搜索的分類器處理方法，包括 步驟一、獲取輸入樣本間的空間連續(xù)性位置信息，進(jìn)行排序； 步驟二、計(jì)算相似性度測量值； 步驟三、依據(jù)相似度測量值進(jìn)行超盒擴(kuò)張； 步驟四、進(jìn)行重疊測量；步驟五、進(jìn)行超盒壓縮，獲取最佳數(shù)量的超盒數(shù)目。優(yōu)選的，上述步驟一中輸入模式采用下列形式的序?qū)Xh，dh}，其中 h xlh ,K表示第h個(gè)輸入模式，<是低端點(diǎn)，是高端點(diǎn)。
優(yōu)選的，上述步驟一中，包含一初始化步驟，^及^的初始值設(shè)為Vj = 0,ffj = 0 ；當(dāng)?shù)趈個(gè)超盒被首次增加進(jìn)來時(shí)，超盒的最大、最小點(diǎn)將依次被修改為
權(quán)利要求
1.一種基于多維度搜索的分類器處理方法，其特征在于，所述處理方法包括 步驟一、獲取輸入樣本間的空間連續(xù)性位置信息，進(jìn)行排序；步驟二、計(jì)算相似性度測量值； 步驟三、依據(jù)相似度測量值進(jìn)行超盒擴(kuò)張； 步驟四、進(jìn)行重疊測量；步驟五、進(jìn)行超盒壓縮，獲取最佳數(shù)量的超盒數(shù)目。
2.根據(jù)權(quán)利要求1所述的分類器處理方法，其特征在于，所述步驟一中輸入模式采用下列形式的序?qū)xh，dh}，其中& = Xih 表示第h個(gè)輸入模式，<是低端點(diǎn)，是高端點(diǎn)。
3.根據(jù)權(quán)利要求1所述的分類器處理方法，其特征在于，在所述步驟一中，包含一初始化步驟，Vj及Wj的初始值設(shè)為Vj = OjWj = O5當(dāng)?shù)趈個(gè)超盒被首次增加進(jìn)來時(shí)，超盒的最大、最小點(diǎn)將依次被修改為 Vj=X1jWj=X]其中，\是第h個(gè)輸入模式的最小點(diǎn)，Wj第h個(gè)輸入模式的最大點(diǎn)。
4.根據(jù)權(quán)利要求1所述的分類器處理方法，其特征在于，所述步驟二中，計(jì)算相似性度測量值通過公式 = I (WrVj)-(Wh-Vh) |/2。
5.根據(jù)權(quán)利要求1所述的分類器處理方法，其特征在于，在所述步驟三中，超盒擴(kuò)張為對(duì)于輸入模式{Xh，dh}，找出屬于第dh類模式的超盒，若隸屬度最大的超盒為h，計(jì)算擴(kuò)張公式為
6.根據(jù)權(quán)利要求1所述的分類器處理方法，其特征在于，在所述步驟四中，在進(jìn)行重疊測量時(shí)，假設(shè)bj和Wc是兩個(gè)屬于不同類別的超盒，用d表示重疊程度，且初始值d°ld = 1， 分別對(duì)超盒的每一維分量i(i = 1，2，...，η)，按其所屬情況的不同，以不同的公式進(jìn)行測試，找出重疊程度最小的相應(yīng)維，然后對(duì)該維進(jìn)行壓縮；
7.根據(jù)權(quán)利要求1所述的分類器處理方法，其特征在于，在所述步驟五中，超盒壓縮為如果D > 0，說明超盒b j和Wc有重疊，且第D維重疊程度最小，故對(duì)該維進(jìn)行如下壓縮，從而消除重疊。
8.根據(jù)權(quán)利要求7所述的分類器處理方法，其特征在于，在所述步驟五中，當(dāng)輸入待判別模式X，分別計(jì)算X屬于每個(gè)超盒的模糊隸屬度，隸屬度最大的超盒所屬的類別就是X的類別，即
9.一種基于多維度搜索的分類器處理裝置，其特征在于，所述分類器處理裝置包括位置信息獲取模塊、相似性度測量模塊、擴(kuò)張執(zhí)行模塊、重疊測量模塊、優(yōu)化模塊，用于通過獲取輸入樣本間的空間連續(xù)性位置信息進(jìn)行排序，并依據(jù)相似度測量值進(jìn)行超盒擴(kuò)張，并對(duì)超盒進(jìn)行壓縮，以獲取最佳數(shù)量的超盒數(shù)目。
10.根據(jù)權(quán)利要求9所述的分類器處理裝置，其特征在于，所述位置信息獲取模塊，用于獲取輸入樣本間的空間連續(xù)性位置信息，進(jìn)行排序。
11.根據(jù)權(quán)利要求9所述的分類器處理裝置，其特征在于，所述擴(kuò)張執(zhí)行模塊，用于依據(jù)相似度測量值進(jìn)行超盒擴(kuò)張。
12.根據(jù)權(quán)利要求9所述的分類器處理裝置，其特征在于，所述優(yōu)化模塊，用于進(jìn)行超盒壓縮，獲取最佳數(shù)量的超盒數(shù)目。
全文摘要
本發(fā)明公開了一種基于多維度搜索的分類器處理方法及裝置，通過獲取輸入樣本間的空間連續(xù)性位置信息進(jìn)行排序，并依據(jù)相似度測量值進(jìn)行超盒擴(kuò)張，并對(duì)超盒進(jìn)行壓縮，以獲取最佳數(shù)量的超盒數(shù)目，進(jìn)而實(shí)現(xiàn)節(jié)省網(wǎng)絡(luò)運(yùn)行時(shí)間和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)的目的。
文檔編號(hào)G06F17/30GK102184246SQ20111013008
公開日2011年9月14日 申請(qǐng)日期2011年5月19日 優(yōu)先權(quán)日2011年5月19日
發(fā)明者胡靜 申請(qǐng)人:上海電機(jī)學(xué)院