23、基于LTCN的模糊认知图分类器：原理、应用与评估

基于LTCN的模糊认知图分类器：原理、应用与评估

在机器学习领域，分类器的准确性和性能一直是研究的重点。基于长短期因果网络（LTCN）的模糊认知图分类器为解决分类问题提供了一种新的思路。本文将详细介绍LTCN-based分类器的学习算法、特征重要性度量方法、实际应用以及实证评估。

1. LTCN-based分类器的学习算法

在计算LTCN-based分类器的矩阵时，我们将训练数据分为两个矩阵X和Y。X的维度为K×N，包含由特征描述的问题实例；Y的维度为K×M，包含单热编码的预期输出。

1.1 内部块矩阵的计算

内部块的矩阵使用无监督学习方法计算，该方法利用问题特征中存储的信息，同时排除类标签。目标是学习特征与偏置项之间的相互作用关系。计算矩阵W的第i列和相应的偏置值，使用以下公式：
[
\begin{pmatrix}
b_i \
\mathbf{W}_i
\end{pmatrix}
=
(\mathbf{L}^T\mathbf{L})^{-1}\mathbf{L}^T\mathbf{X}_i
]
其中，$\mathbf{X}_i$ 表示训练集的第i列，$\mathbf{L}$ 是一个K×(N + 1)矩阵，通过将矩阵 $\mathbf{X}$ 的第i列替换为零并连接一个全为1的K×1列向量得到。

1.2 连接内部和外部块的矩阵计算

连接内部和外部块的矩阵使用监督学习方法计算。这些权重将问题特征和内部块产生的时间状态与决策类连接起来，存储在权重矩阵 $\mathbf{R}$ 和与输出概念相关的偏置项中。计算公式如下：