模糊分類模型及其集成方法

1 緒論
1.1 模糊分類研究的背景
1.2 模糊分類研究的目的
1.3 模糊分類相關的研究
1.3.1 精簡模糊規(guī)則數(shù)量的方法研究
1.3.2 模糊分類識別率的提高方法研究
1.4 模糊分類研究的內容
2 模糊分類、核函數(shù)方法及支持向量機
2.1 模糊分類
2.1.1 模糊IF-THEN分類規(guī)則
2.1.2 隸屬度函數(shù)
2.1.3 模糊劃分
2.1.4 基于模糊劃分的分類規(guī)則產(chǎn)生
2.2 核函數(shù)
2.3 支持向量機理論
2.3.1 線性情況
2.3.2 非線性情況
3 基于模糊核超球感知器的模糊分類模型
3.1 核感知器及超球感知器
3.1.1 核感知器
3.1.2 超球感知器
3.1.3 核超球感知器
3.2 模糊核感知器
3.2.1 模糊感知器
3.2.2 模糊核感知器
3.3 基于模糊核超球感知器的模糊分類模型
3.3.1 模糊核超球感知器
3.3.2 基于模糊核超球感知器的模糊分類模型
3.3.3 FCMBFKHP模型分類規(guī)則的生成
3.4 模糊IFTHEN規(guī)則的調整
3.4.1 調整策略分析
3.4.2 調整邊界分析
3.4.3 規(guī)則調整算法
3.5 實驗結果分析
3.5.1 核函數(shù)及參數(shù)對超球產(chǎn)生的影響實驗
3.5.2 分類識別率比較實驗
4 基于進化式核聚類的模糊分類模型
4.1 核聚類方法
4.2 基于支持向量的聚類
4.3 基于進化式核聚類的模糊分類模型
4.3.1 FCMBEKC分類模型結構
4.3.2 進化式核聚類算法
4.3.3 模糊分類規(guī)則的創(chuàng)建及分類推理
4.3.4 進化式核聚類算法中簇半徑閾值的討論
4.4 基于遺傳算法的模糊IF-THEN規(guī)則的調整
4.4.1 基因編碼
4.4.2 適應度函數(shù)
4.4.3 增強信息的確定
4.4.4 遺傳操作
4.5 實驗結果分析
4.5.1 基于Wine數(shù)據(jù)集的實驗
4.5.2 基于手寫體數(shù)字識別數(shù)據(jù)集實驗
5 基于支持向量機的模糊分類模型
5.1 模糊支持向量機的研究現(xiàn)狀
5.1.1 第一種模糊支持向量機
5.1.2 第二種模糊支持向量
5.2 基于支持向量機的模糊分類模型
5.2.1 FCMBSVM的基本思想
5.2.2 FCMBSVM模型結構
5.2.3 隸屬函數(shù)的選擇
5.2.4 核函數(shù)證明
5.2.5 參數(shù)ak和b的求解
5.2.6 模型幾何特性
5.3 FCMBSVM模型參數(shù)分析
5.3.1 懲罰參數(shù)C
5.3.2 隸屬函數(shù)參數(shù)
5.4 基于FCMBSVM模型的多類分類
5.4.1 模糊IF-THEN規(guī)則表達式
5.4.2 參數(shù)akm及bm的求解
5.5 實驗結果分析
5.5.1 雙螺旋線實驗
5.5.2 基于Image數(shù)據(jù)集實驗
5.5.3 多類分類實驗
6 基于模糊積分的多分類器集成方法
6.1 多分類器集成
6.1.1 多分類器集成研究的產(chǎn)生和現(xiàn)狀
6.1.2 分類器輸出信息描述
6.1.3 多分類器集成類型
6.1 I4基于度量級信息的并聯(lián)式集成方法
6.2 模糊測度及模糊積分理論
6.2.1 模糊測度和g模糊測度
6.2.2 模糊積分
6.3 基于模糊積分的分類器集成方法
6.3.1 關于個體分類器生成
6.3.2 分類器集的選擇
6.3.3 基于隸屬度矩陣的模糊積分密度的確定
6.3.4 多分類器集成方法
6.4 實驗結果分析
6.5 小結
7 基于模糊分類方法的網(wǎng)絡流量分類
7.1 基于機器學習方法的網(wǎng)絡流量分類研究
7.1.1 網(wǎng)絡流量分類
7.1.2 網(wǎng)絡流量分類研究的意義及現(xiàn)狀
7.1.3 網(wǎng)絡流量分類構建框架
7.2 網(wǎng)絡流量樣本采集及特征產(chǎn)生
7.2.1 網(wǎng)絡流量采集
7.2.2 流及流的候選特征形成
7.2.3 流量樣本類型自動標志
7.3 網(wǎng)絡流量特征選擇
7.3.1 特征選擇概述
7.3.2 流特征產(chǎn)生方法
7.4 基于模糊分類方法的網(wǎng)絡流量分類器構建
7.4.1 分類器構建
7.4.2 分類器性能評測
7.5 實驗分析
7.5.1 特征選擇實驗
7.5.2 分類實驗
8 結論及進一步的工作
8.1 結論
8.2 進一步的工作
參考文獻