模糊分类是模糊集合理论的一个重要应用。模糊分类规则被广泛认为是分类知识较好的表示,与人类表达的知识类似,具有可读性和解释性。模糊分类在图像处理、文字识别、语音识别、文本分类、遥感、气象及工业自动化控制等许多领域得到广泛应用。 模糊划分和模糊分类规则的自动产生,分类规则的表达式,分类规则的调整及分类识别率的提高是模糊分类模型研究的关键问题。为了研究这些问题,这篇论文提出了三种模糊分类模型和一种多分类器集成方法,从不同的角度,利用不同的方法和技术,探索解决上述问题的思路和方法。 模型Ⅰ:基于模糊核超球感知器的模糊分类模型(简称FCMBFKP)。首先这种模型选择适当的核函数,将训练模式从输入空间映射到高维特征空间。在特征空间中,利用提出的模糊核超球感知器学习算法,对每一类训练模式找一个超球。这个超球将覆盖该类别的所有训练模式。将每个超球,看作为一个模糊划分,并为之建立一条IF-THEN分类规则。以超球中心和半径为参数,定义超圆锥体的隶属函数。考虑到各超球之间有交迭区域的可能,以超球半径作为规则的调整参数,提出了调整策略和算法。用权威的机器学习数据库中的数据集对模型的性能进行了实验评测,并与核超球感知器(KHP)和SVM方法进行比较,验证了模型的有效性。 模型Ⅱ:基于进化式核聚类的模糊分类模型(简称FCMBEKC)。首先,这种模型也是选用适当的核函数,将训练模式从输入空间映射到高维特征空间。在高维特征空间,利用提出的进化式核聚类算法,对每一类训练模式进行聚类,得到多个超球。然后,将每个超球看成一簇,每一簇就对应一个模糊划分。每个模糊划分产生一条模糊IF-THEN规则。以每簇的中心作为参数,定义超椭圆体的隶属函数。考虑到不同类别的簇之间可能存在交迭区域,提出了基于遗传算法的,并以簇的半径作为调整参数的规则调整方法。定义了适应度函数和介绍了规则调整算法。采用权威的机器学习数据库中的数据集,对模型的性能进行了实验评测,并与神经网络(ANN)和多层感知器(MLP)方法进行比较,验证了模型的有效性。 模型Ⅲ:基于支持向量机的模糊分类模型(简称FCMBSVM)。这种模型的基本思想是分类模型构建初期,以每个训练模式为中心,进行模糊划分,即,每个训练模式,对应一个模糊划分。每个模糊划分,建立一条模糊IF-THEN分类规则。选用适当的隶属函数,构造核函数。用支持向量机的学习方法,求出