基于TBM的自适应模糊k-NN分类器  

Adaptive Fuzzy k-NN Classifier Based on Transferable Belief Model

作　　者：刘邱云[1] 付雪峰[2] 吴根秀[1] 

机构地区：[1]江西师范大学数学与信息科学学院,南昌330022 [2]南昌工程学院计算机科学与技术系,南昌330099

出　　处：《计算机工程》2009年第16期183-185,188,共4页Computer Engineering

基　　金：国家自然科学基金资助项目(60663007);江西省自然科学基金资助项目(2007GZS0186);江西省教育厅科技基金资助项目(2008GJJ08151)

摘　　要：针对训练模式类标签不精确的识别问题,提出基于可传递信度模型的自适应模糊k-NN(k-Nearest Neighbor)分类器。利用可传递信度模型结合模糊集理论和可能性理论并运用pignistic变换,对待识别模式真正所属的类做出决策。采用梯度下降最小化误差函数,以实现参数的自适应学习。实验结果表明,该分类器误分类率低、鲁棒性强。For processing training patterns with imprecise class labels, an adaptive fuzzy k-Nearest Neighbor（k-NN） classifier based on Transferable Belief ModeI（TBM） is presented. Decision about the true class membership of a pattern can be made to be classified by the combination of TBM, fuzzy sets and possibility theory and the application of the pignistic transformation. The parameters in the classifier are tuned automatically by minimizing error functions through gradient descent. Numerical simulations results show that the classifier has low classification error rates and high robustness.

关 键 词：可传递信度模型 自适应 k-NN分类器 pignistic概率 梯度下降 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]