基于AdaBoost和匹配追踪的选择性集成算法

为了平衡集成学习中差异性和准确性的关系并提高学习系统的泛化性能,提出一种基于AdaBoost和匹配追踪的选择性集成算法.其基本思想是将匹配追踪理论融合于AdaBoost的训练过程中,利用匹配追踪贪婪迭代的思想来最小化目标函数与基分类器线性组合之间的冗余误差,并根据冗余误差更新AdaBoost已训练基分类器的权重,进而根据权重大小选择集成分类器成员.在公共数据集上的实验结果表明,该算法能够获得较高的分类精度.     

基于AdaBoost和匹配追踪的选择性集成算法

为了平衡集成学习中差异性和准确性的关系并提高学习系统的泛化性能, 提出一种基于AdaBoost 和匹配追踪的选择性集成算法. 其基本思想是将匹配追踪理论融合于AdaBoost 的训练过程中, 利用匹配追踪贪婪迭代的思想来最小化目标函数与基分类器线性组合之间的冗余误差, 并根据冗余误差更新AdaBoost 已训练基分类器的权重, 进而根据权重大小选择集成分类器成员. 在公共数据集上的实验结果表明, 该算法能够获得较高的分类精度.     

基于免疫克隆的核匹配追踪集成图像识别算法

为了从分类器集成系统中选择一组较优个体子集,从而改善集成学习系统的性能,提出一种基于免疫克隆选择的核匹配追踪集成图像识别算法.该算法充分利用免疫克隆算法的快速收敛于全局最优解的特性,对训练得到的多个子核匹配追踪分类器进行免疫克降选择,得到一个具有更好推广性能的集成系统.对Brodatz纹理图像库以及SAR图像进行目标识别.仿真实验结果表明,相比传统核匹配追踪分类器集成和基于遗传算法的选择集成方法,本文方法有更好的集成性能.     

迭代直觉模糊K-modes算法

直觉模糊K-modes(IFKM)算法在聚类过程中采用简单0-1匹配相似性度量,既无法有效刻画类内数据对象之间的相似性,也未体现不同属性在聚类过程中的贡献程度;此外,IFKM算法在聚类的每一次迭代中直接根据直觉模糊隶属度矩阵来确定数据对象所属类别,没有充分发挥直觉模糊思想的作用.为了解决这两个问题,提出一种迭代IFKM...     

基于核的直觉模糊聚类算法

针对现有的直觉模糊聚类算法性能的问题,提出一种基于核的直觉模糊聚类算法(IFKCM)。该算法引入高斯核函数,将直觉模糊集合从原始观察空间映射到高维特征空间,减少了计算时间且提高了聚类精度;同时改进了现有的直觉模糊聚类算法中的概率型约束条件,使其对噪声和野值点具有较好的鲁棒性。最后,通过实际数据和人工数据与常用聚类算法进行了对比实验,结果表明该算法较大幅度地提高了直觉模糊聚类算法的性能。     

基于TODIM的直觉模糊双边公平满意匹配方法

针对直觉模糊偏好信息下的双边匹配问题,考虑匹配主体参照依赖和损失规避的心理行为,提出一种基于TODIM(TOmada de decisao interativa multicritério)的双边公平满意匹配方法.首先,对直觉模糊偏好信息下的双边匹配问题进行描述;然后,依据前景理论将双边主体的直觉模糊偏好信息转化为相对于参照点的收益或损失,在此基础上,依据TODIM法计算每个主体的总体优势度,构建满意度计算规则,建立双边公平满意匹配优化模型,求解模型并获得双边匹配解;最后,通过一个算例验证所提出方法的可行性和有效性.     

基于海明距离的直觉模糊粗糙集相似度量方法

针对直觉模糊粗糙集的相似度量问题,提出了一种基于海明距离的直觉模糊粗糙集相似度量方法。首先给出了两个直觉模糊粗糙值问的相似度量方法,并揭示了它的若干重要性质。然后,在此基础上,又提出了一种基于海明距离的直觉模糊粗糙集相似度量方法,并证明它也具有同样的性质。最后用数值算例验证了这种方法的有效性。     

一种新的基于直觉模糊Petri网的模糊推理算法

基于模糊Petri网的推理机制研究是模糊Petri网领域的热点问题之一。在基于直觉模糊Petri网模型框架下的推理过程中引入库所重排策略及可激活变迁判断公式,提出一种新的基于直觉模糊Petri网的模糊推理算法。通过与已有文献的推理算法的对比分析,在得到同样精确结果的前提下,本算法能够有效地简化推理过程,节省推理时间,降低算法的时间复杂度。     

集成直觉模糊信息的主观信任模型

针对复杂的在线服务环境下存在的主观性和不确定性,且缺乏从信任程度、不信任程度和不确定性程度三方面描述信任的方法,提出一种集成直觉模糊信息的主观信任模型。首先,给出了一种改进的集成精确数为直觉模糊数的方法,并结合K均值聚类算法,计算实体的直接信任和间接信任;然后,根据基于直觉模糊熵的权重分配策略计算综合信任;最后进行了仿真实验验证。结果表明该方法能有效抑制信用欺诈行为,且当恶意节点达到35%的情况下仍然维持一个较低的误差水平。     

改进的直觉模糊粗糙集相似性度量方法

针对现有的直觉模糊粗糙集相似性度量的问题,提出了一种改进的基于海明距离的直觉模糊粗糙集相似性度量方法。该方法考虑了犹豫度并引入加权参数,解决了相似性度量不精确的问题。首先给出了直觉模糊粗糙值间的相似性度量定义,并揭示其若干重要性质。在此基础上,提出了直觉模糊粗糙集间的相似性度量方法,并证明其具有同样性质。最后通过数值算例分析说明了该方法更合理、更有效。     

基于模糊核匹配追寻的特征模式识别

核匹配追寻算法是近年来新兴的模式识别方法,在处理非线性及高维模式识别问题中表现出了突出的优点.传统的核匹配追寻在处理模式识别的问题中平等地对待所有样本,最终的判决函数是针对所有样本的一个平等综合考虑,要求总识别误差尽可能小,并不能对某一类指定样本进行针对性识别,然而实际应用中经常会碰到这样的情况:要求对某一类样本的识别精度很高,尤其是对于非平衡样本中或者对于具有时间属性的样本序列,由于标准核匹配追寻学习机自身的局限性,使其不能有效地处理这些问题.文中针对这些问题,提出了模糊核匹配追寻学习机,预先根据分类的要求对每个样本做出了不同的重要性定义,学习机根据重要性不同,对样本进行程度不同的学习,最终得到基于问题的判决--对重要样本保持很高的分类精度;最后通过实际的仿真实验证明了模糊匹配追寻的有效性及可行性.     

多分类器选择集成方法

针对目前人们对分类性能的高要求和多分类器集成实现的复杂性,从基分类器准确率和基分类器间差异性两方面出发,提出了一种新的多分类器选择集成算法。该算法首先从生成的基分类器中选择出分类准确率较高的,然后利用分类器差异性度量来选择差异性大的高性能基分类器,在分类器集成之前先对分类器集进行选择获得新的分类器集。在UCI数据库上的实验结果证明,该方法优于bagging方法,取得了很好的分类识别效果。     

基于直觉模糊距离的图像配准算法

提出一种基于直觉模糊距离的特征匹配算法.首先,从基准图像和待配准图像中提取特征,并将其直觉模糊化;然后,定义特征间的直觉模糊度量方法,从相似程度和不相似程度2个方面对直觉模糊集间距离进行计算;最后,利用直觉模糊集的排序方法解决特征匹配问题,通过构建匹配矩阵实现特征的匹配.实验表明,所提出的基于直觉模糊集的图像配准方法是有效的.     

一种新的直觉模糊相似矩阵构造方法

基于直觉模糊相似度和相异度,研究了直觉模糊相似矩阵构造问题。给出了直觉模糊相似度和相异度的标准定义,选取了有效的直觉模糊相似度量和相异度量方法;在分析了现有的几种直觉模糊相似矩阵构造方法基础上,提出了一种新的直觉模糊相似矩阵构造方法。通过算例分析,验证了方法的有效性。     

集成学习中的多样性度量

在集成学习中, 基分类器之间的多样性对于解释多分类器系统的工作机理和构造有效的集成系统具有重要的作用, 但至今仍没有统一的度量多样性的方法. 首先总结介绍常用的多样性度量方法, 阐述每种方法评估多样性的角度和方式; 然后从对多样性新的解释和度量、多样性度量在选择性集成中的应用、多样性度量和集成学习精度的关系3 个方面探讨多样性度量的研究进展; 最后给出关于多样性度量进一步的研究方向.

     

半动态集成选择分类方法

在集成学习领域,传统的动态集成选择需要为每一个样本选择子分类器组成集成分类器,这极大地增加了计算复杂度。针对这一问题,提出一种新的半动态集成选择方法。该方法分为两阶段,第一阶段为所有的测试样本选择最好的个体分类器组成一个集成分类器,第二阶段从剩余的个体分类器集合中为当前测试样本动态地选择子分类器组成一个集成分类器。最终的分类结果通过融合两阶段得到集成分类器的结果得到。通过对UCI数据测试的结果表明,该算法不仅能取得较好的分类性能,而且能极大地降低计算复杂度。     

A dissimilarity Jensen–Shannon divergence measure for intuitionistic fuzzy sets

The need of suitable divergence measures arise as they play an important role in discrimination of two probability distributions. The present communication is devoted to the introduction of one such divergence measure using Jensen inequality and Shannon entropy and its validation. Also, a new dissimilarity measure based on the proposed divergence measure is introduced. Besides establishing validation, some of its major properties are also studied. Further, a new multiple attribute decision making method based on a proposed dissimilarity measure is introduced and is thoroughly explained with the help of an illustrated example. The paper is summed up with an application of the proposed dissimilarity measure in pattern recognition.