未标识样本分类的模糊神经网络分类器OFMM

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.

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

所属期刊栏目：20

分类号：TPL3

资助基金：国家自然科学基金项目60375011,60575028;安徽省自然科学优秀青年科技基金项目04042044;新世纪优秀人才支持计划项目NCET-04-0560

在线出版日期：2009-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：173-179