[发明专利]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

说明书

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。

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。