未标识样本分类的模糊神经网络分类器OFMM  

An Ordination-Fuzzy Min-Max Neural Network Classifier on Unlabelled Pattern Classification

作　　者：胡静[1,2] 杨静[1,2] 高隽[1,2] 

机构地区：[1]合肥工业大学计算机与信息学院 图像信息处理研究室,合肥230009 [2]中国科学院合肥智能机械研究所 仿生感知与控制研究中心,合肥230031

出　　处：《模式识别与人工智能》2007年第2期173-179,共7页Pattern Recognition and Artificial Intelligence

基　　金：国家自然科学基金项目No.60375011;国家自然科学基金项目No60575028;安徽省自然科学优秀青年科技基金项目(No.04042044);新世纪优秀人才支持计划项目(No.NCET-04-0560)

摘　　要：为了解决未标识样本的分类问题,提出一种基于多维度收缩的、新的排序-模糊神经网络分类器模型OFMM.该模型首先利用多维度收缩法对输入的所有样本进行排序,然后获得样本间的相似性测度值.并利用该相似性测度值指导随后的分类器超盒扩张与压缩过程,从而使得该模型不仅提高对未标识样本进行有效分类的性能,而且无论是在网络结构方面,还是在训练时间方面都有所改进.有关标准数据集的实验结果表明,该模型明显优于传统的通用模糊神经网络,是一种较实用且有效的分类器.An ordination-fuzzy min-max neural network（OFMM） based on non-metric multidimensional scaling （MDS） is proposed to solve the classification problems of unlabelled input pattern. Firstly, all the input patterns are sorted by MDS to get their similarity measures. Then these measures are used to supervise the following expansion and contraction stage of hyperboxes for classifica- tion. OFMM shows the improvements in the validity of unlabelled patterns classification, the network structure, and training time. The experimental results on standard dataset demonstrate that OFMM is a practical and effective classifier which is superior to the traditional general-fuzzy min -max neural network （GFMM）.

关 键 词：分类器 多维度收缩(MDS) 模糊最大-最小神经网络(FMMN) 相似性测度 未标识样本 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程]