蒋云良2,
潘兴广1, 3,
胡文军2,
王士同1
1.江南大学数字媒体学院 无锡 214122
2.湖州师范学院信息工程学院 湖州 313000
3.贵州民族大学工程实训中心 贵阳 550025
基金项目:国家自然科学基金(61572236, 61300151, 61772198, 61771193)，中央高校基本科研业务费专项资金(JUDCF13030)
详细信息
作者简介:张雄涛：男，1984年生，博士，研究方向为模式识别、模糊系统
蒋云良：男，1967年生，教授，主要研究方向为智能计算、数据挖掘
潘兴广：男，1979年生，博士，研究方向为神经网络、数据挖掘
胡文军：男，1977年生，教授，主要研究方向为机器学习、模式识别
王士同：男，1964年生，教授，博士生导师，主要研究方向为模式识别、人工智能
通讯作者:张雄涛 1047897965@qq.com
中图分类号:TP391计量
文章访问数:2055
HTML全文浏览量:994
PDF下载量:45
被引次数:0
出版历程
收稿日期:2019-04-03
修回日期:2019-11-08
网络出版日期:2019-11-18
刊出日期:2020-03-19
Iterative Fuzzy C-means Clustering Algorithm & K-Nearest Neighbor and Dictionary Data Based Ensemble TSK Fuzzy Classifiers
Xiongtao ZHANG1, 2,,,Yunliang JIANG2,
Xingguang PAN1, 3,
Wenjun HU2,
Shitong WANG1
1. School of Digital Media, Jiangnan University, Wuxi 214122, China
2. School of Information Engineering, Huzhou University, Huzhou 313000, China
3. Engineer Training Center, Guizhou Minzu University, Guiyang 550025, China
Funds:The National Natural Science Foundation of China (61572236, 61300151, 61772198, 61771193), The Fundamental Research Funds of the Central Universities (JUDCF13030)
摘要
摘要:该文提出一种新型的集成TSK模糊分类器(IK-D-TSK)，首先通过并行学习的方式组织所有0阶TSK模糊子分类器，然后每个子分类器的输出被扩充到原始(验证)输入空间，最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典，从而利用KNN对测试数据进行快速预测。IK-D-TSK具有以下优点：在IK-D-TSK中，每个0阶TSK子分类器的输出被扩充到原始入空间，以并行方式打开原始(验证)输入空间中存在的流形结构，根据堆栈泛化原理，可以保证提高分类精度；和传统TSK模糊分类器相比，IK-D-TSK以并行方式训练所有的子分类器，因此运行速度可以得到有效保证；由于IK-D-TSK是在以IFCM & KNN所获得的数据字典的基础上进行分类的，因此具有强鲁棒性。理论和实验验证了模糊分类器IK-D-TSK具有较高的分类性能、强鲁棒性和高可解释性。
关键词:TSK模糊分类器/
迭代模糊聚类算法/
数据字典/
可解释性
Abstract:A new ensemble TSK fuzzy classifier (i,e. IK-D-TSK) is proposed. First, all zero-order TSK fuzzy sub-classifiers are organized in a parallel way, then the output of each sub-classifier is augmented to the original (validation) input space, finally, the proposed Iterative Fuzzy C-Means (IFCM) clustering algorithm generates dictionary data on augmented validation dataset, and then KNN is used to predict the result for test data. IK-D-TSK has the following advantages: the output of each zero-order TSK subclassifier is augmented to the original input space to open the manifold structure in parallel, according to the principle of stack generalization, the classification accuracy can be improved; Compared with traditional TSK fuzzy classifiers which trains sequentially, IK-D-TSK trains all the sub-classifiers in parallel, so the running speed can be effectively guaranteed; Because IK-D-TSK works based on dictionary data obtained by IFCM & KNN, it has strong robustness. The theoretical and experimental results show that IK-D-TSK has high classification performance, strong robustness and high interpretability.
Key words:TSK fuzzy classifier/
Iterative Fuzzy C-Means (IFCM) clustering algorithm/
Dictionary data/
Interpretability
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=7108ec32-0540-4569-a5c2-9604662211a0
