10、基于自适应网络和遗传算法的模糊分类

基于自适应网络和遗传算法的模糊分类

1. 引言

传统的模式分类方法通常是对样本进行聚类，并将聚类结果与给定的类别关联起来。然而，这些方法存在一个主要问题，即难以有效定义聚类之间的边界。当用于分类的特征数量增加时，这个问题会变得更加棘手。

与之不同的是，模糊分类假设两个相邻类别之间的边界是一个连续的重叠区域，在这个区域内，一个对象在两个类别中都具有部分隶属度。这种观点不仅反映了许多应用类别具有模糊边界的现实，还为特征空间的复杂划分提供了一种简单的表示方法。我们可以使用模糊“如果 - 那么”规则来描述分类器，例如：

if X1 is A1 and X2 is A2 and … and Xn is An then Z is C

其中，$X_1, X_2, \cdots, X_n$ 是输入变量或特征；$A_1, A_2, \cdots, A_n$ 是由适当的隶属函数表征的语言术语，用于描述对象 $Z$ 的特征。该规则对于任何给定对象的触发强度，即该对象属于类别 $C$ 的程度。

我们希望系统能够展示学习能力，根据新信息进行更新和微调。因此，我们提出了一种基于自适应网络和遗传算法的方法。该模型的参数识别模块是一个具有局部感受野的网络，而结构识别模块则采用遗传进化原理来搜索最优的网络架构。同时，我们还引入了拉马克机制来加速混合学习过程。

2. 自适应网络学习

自适应网络是一种多层前馈网络，其中每个节点执行特定的功能。节点功能取决于输入到节点的信号以及与该节点关联的参数集。在多层架构中，节点功能可能因节点或层而异。一般来说，节点功能取决于网络设计的整体功能。