22、模糊认知图分类器：原理、挑战与改进策略

模糊认知图分类器：原理、挑战与改进策略

1. 模糊认知图分类器简介

模糊认知图（FCM）在分类领域有着广泛应用。在特征提取方面，有不少研究提供了相关见解。文献中报道了许多基于FCM且运用粒度计算原理的分类器。粒度计算关注数据表示的特异性，即原始数据的精确表示程度。存在两种极端情况：一是特异性极低，数据表示过于笼统，实例难以区分；二是无泛化地表示原始数据，导致模型过拟合，无法建立实例间的相似性。

其中，模糊 - 粗糙认知网络是一种基于粒度的FCM分类器。在该分类器中，概念表示模糊 - 粗糙区域，通过明确的构建规则形式化它们之间的因果关系，无需微调权重矩阵。初始激活值根据实例相似类在不同模糊 - 粗糙区域的包含度来定义。此外，还有学者研究了用于图像的FCM分类模型，利用语义粒度来表示图像特征。

为了更好理解和应用FCM分类器，下面给出相关练习：
- 练习1 ：构建并重新拟合基于FCM的分类器，增加迭代次数（如T = 100），同时保持其他参数配置不变，观察测试准确率是否有显著变化。
- 练习2 ：构建并重新拟合基于FCM的分类器，使用大量迭代次数和不同的phi值，找出效果最佳和最差的设置。
- 练习3 ：重复实验，但使用不同的斜率和偏移值，如斜率∈{2.5, 3.0}，偏移∈{−1.0, 1.0}，确定本次实验中效果最佳和最差的设置。

2. 模糊认知图分类器的准确性问题

传统的基于FCM的分类器在结构化模式分类中往往表现不如传统方法。排除唯一固定吸引子这一主要问题后，性能不佳主要有两个原因：