[发明专利]一种分类器使用方法

说明书

技术领域

本发明涉及模式识别技术领域，特别涉及一种分类器使用方法。

背景技术

分类器是模式识别，信号检测，控制系统和预测等许多工程问题的重要组成部分。模糊集合理论和神经网络理论是处理模式分类问题常用的方法，在模式分类问题中，类别和模式特征的定义往往存在模糊性，所以模糊集合理论适合处理分类问题，模糊逻辑系统用IF-THEN形式的模糊规则表示知识，人们容易理解和调整系统的工作过程，神经网络理论通常处理分类和统计回归问题，神经网络由许多简单的处理单元相互连接构成，通过适当的学习算法，神经网络系统的参数能够根据输入、输出数据建立和优化。模糊逻辑和神经网络在处理模式分类问题时各有各的优点和缺点，模糊逻辑系统根据模糊规则把模式空间划分成相互交叠的模糊区域，不适合处理输入较多的问题，另外，如何获得适当的模糊规则建立系统也是一个复杂的问题，神经网络具有学习能力，但是学习过程相对缓慢，另外，分析和调整通过学习过程建立的神经网络往往比较困难，结合模糊逻辑和神经网络的优点，使新的模型既具有神经网络的学习能力，优化能力和连接结构，也具有模糊系统IF-THEN形式的规则表示，模糊神经网络是一种令人关注的模型。

Simpson提出的模糊最小-最大神经网络(FuzzyMin-MaxNeuralNetwork简称FMM)是一种采用超盒(hyperbox)隶属度函数的模糊神经网络，一个超盒就定义了N维模式空间中的一个区域，所有包含在超盒内的模式对该超盒都具有完全的隶属度(membership)。一个超盒完全由它的最小点和最大点确定，且此最小-最大点对和这个超盒的隶属度函数联合起来定义了一个模糊集(即类别)。

FMM的学习方法就是一个扩张与压缩超盒的过程，假设训练集为X∈{X_h|h＝1,2,…,m}，其中，X_h＝(x_h1,x_h2,…x_hn)∈Iⁿ是第n个样本。开始学习中选择有序对并寻找离此样本最近的超盒，如果超盒满足扩张条件，则扩张该超盒以包含这个样本；如果不能找到满足扩张准则的超盒，则形成一个新的超盒并将其加入到系统中。这个递增的过程允许多次修改已存在的超盒，同时，也可以避免新的超盒加入时的重新训练。但是，超盒扩张带来一个问题，就是超盒的重叠。超盒重叠会引起歧义。因此，最理想的情况就是清晰的类别间没有重叠。

从上述FMM的工作原理可以看出，由于FMM学习算法对输入样本进行的是串行处理，每输入一个样本，迭代一次，得到一个超盒。这就使得算法在得到最后的结果之前，都是仅利用已输入样本的内在结构，而不是整体样本的内在结构。因此，对同一个样本集，当输入样本的次序发生变化，这种算法得到的结果就必然不同，这也就是样本输入次序的依赖性。

实际上，分类器训练得到的分类性能强烈依赖输入模式出现的次序这一点，部分是因为训练过程中超盒之间的竞争，相同类别超盒之间的竞争表现为只有对于输入模式隶属度值最大的超盒执行扩张包含输入样本：不同类别的超盒之间也存在竞争，表现为FMM模型规定这些超盒之间不能发生重叠，在每一步可能产生重叠的步骤结束以后，都要进行重叠检测，如果发现重叠，还需要通过超盒收缩，消除重叠。这些都是因为设定每一个超盒内部区域中的模式隶属于这个超盒表示的类别的隶属度值都等于l造成的，如果两个表示不同类别的超盒相互重叠，那么重叠区域内部的模式隶属于两个类别的隶属度都等于l，这样就无法对这个区域中的模式进行分类。这样为了避免冲突，输入的新模式就可能造成已存在超盒收缩的必要，而较早建立的超盒在训练过程中被要求收缩的概率较大，所以就造成了训练结果严重依赖模式输入的次序。

发明内容

本发明的目的在于提供一种分类器使用方法，以解决技术在超盒扩张时带来的超盒重叠的问题。

为解决上述技术问题，本发明提供一种分类器使用方法，包括：

初始化一输入样本集，并计算该样本集的相似性矩阵初值；

根据所述相似性矩阵初值选择样本加入至训练集中，重新训练分类器，直至不再有超盒进行扩张为止。

进一步的，在所述的分类器使用方法中，所述初始化输入样本集的骤包括：

对给定的样本集X∈{X_h|h＝1,2,…,m}，X_h表示第h个输入模式，m取正整数，第h个输入模式的最小点V_j及第h个输入模式的最大点W_j的初始值设为：V_j＝0,W_j＝0；