摘要
鉴于证据理论对样本分类和决策过程的复杂性以及不稳定性,提出了一种基于神经网络模型和模糊集理论的样本决策算法.为了降低样本分类和决策过程的复杂性,增强算法的稳定性和适用性,在该算法中,设计并提出了一种新的隶属度函数.应用提出的隶属函数对相关数据集样本进行模糊化处理,得到数据集的模糊化矩阵,其中输入样本数据与不同样本类别的隶属度相关联.根据隶属度矩阵,并结合性能较好的激活函数Swish-B,通过神经网络分类器,样本将被归属于特定的类.基于鸢尾花数据集对其进行可视化分析,将该方法与传统的证据理论及相关改进算法进行比较,验证了所设计的隶属度函数具有良好性能,同时实验结果证明了该算法的合理性与有效性,算法过程更为简单,鸢尾花数据集的分类准确率高达98％.
基金项目
山西省软科学基金资助项目(2011041033-03)
国家科技期刊平台
NSTL
维普
万方数据