基于模糊積分的數(shù)據(jù)融合-預(yù)覽頁
【正文】 工 。第一步信息獲取，收集大量的數(shù)據(jù)。 信息獲取 預(yù)處理 分類器設(shè)計 分類器決策 圖 1 分類識別過程 這里重點介紹神經(jīng)網(wǎng)絡(luò)的 BP算法。 BP算法被稱作反向傳播算法，主要思想是從前向后（正向）逐層傳播信息；從后向前（反向）逐層傳播輸出層的誤差，間接算出隱層誤差。 )( jjiiijjne tfOOwne t?? ?? ??jjj yyE2)?(21ijijij OwEtw ???????? )(j??????????? ?kkjkjjjjjj wOOOOOy非輸出層的計算方法輸出層的計算方法?? )1()1()()()()1( twtwtw ijijij ????算法分為兩個階段： 例：有兩組數(shù)據(jù)點，第一組數(shù)據(jù)為（ 0， 0）（ 0， 1），第二組數(shù)據(jù)為（ 1， 0）（ 1， 1）是。構(gòu)造一個三層的神經(jīng)網(wǎng)絡(luò)，由于數(shù)據(jù)有兩個屬性，設(shè)計兩個輸入節(jié)點；輸出有兩類，設(shè)計兩個輸出節(jié)點。當(dāng)?shù)谝唤M數(shù)據(jù)輸入時，第一個輸出節(jié)點為 1；當(dāng)?shù)诙M數(shù)據(jù)輸入時，第二個輸出節(jié)點為 1 ，用 BP算法訓(xùn)練網(wǎng)絡(luò)。 隨著數(shù)據(jù)維數(shù)的增長 ， 單分類器處理數(shù)據(jù)的能力和效率都有所不足；而且單分類器適用于特定類型的數(shù)據(jù) ， 對于混合型的數(shù)據(jù)單分類器很難得到較好的分類效果 ， 因而可以采用不同類型的分類器處理不同類型的數(shù)據(jù) 。 雖然上述前個問題應(yīng)該同時考慮 ， 但它們通常被單獨考慮看作覆蓋優(yōu)化和決策優(yōu)化策略 。 通過 GA算法 可以同時解決這兩個問題得到最優(yōu)解 。主要思想是：生物通過遺傳和變異，依照 “ 適者生存 ” 的原則，從簡單的地基生物發(fā)展到復(fù)雜的高級生物。遺傳算法的編碼方法很多根據(jù)具體的問題有不同的方法，如哈夫曼編碼等。選擇群體中的兩個個體 x1， x2以這兩個個體為雙親做基因鏈碼的交叉，從而產(chǎn)生兩個新的個體 x1’， x2’作為他們的后代，簡單的交叉方法是：隨機的選取一個截斷點將 x1， x2的基因鏈碼在截斷點處切開，并交換后半部分，從而組合生成兩個新的個體 x1‘， x2’,這是最簡單的單點交叉，還有雙點交叉。 遺傳算法中每個個體不斷地對環(huán)境進行學(xué)習(xí)和適應(yīng)，通過交叉和編譯產(chǎn)生了新的個體，交叉類似于遺傳，這些后代繼承了雙親的優(yōu)良特性，通過變異產(chǎn)生了不同于雙親的特性。 ??? p o p s i z eiif it n e s sF1)(F ifitn e ssp i )(???? ijjj pq1(4) 單點交叉：設(shè)交叉的概率為 pc。 我的問題是如何統(tǒng)一結(jié)果 ， 即決策層的融合 。 根據(jù)投票法我們可以斷定最后一個物體是 +類 ， 而很難做出定出第一個的類別 。證據(jù)理論是貝葉斯方法的一種改進，它巧妙地解決了需要事先知道先驗概率的問題，是在不確定條件下進行強有力推理的方法。該方法假設(shè)各個分類器的作用獨立。被看作是非線性可加函數(shù)，從多個分類器的一致和相互沖突的結(jié)果中找出最大一致性的結(jié)果。 },{ 21 nxxxX ??]1,0[)(: ?XPg )(XPX 1)(。 可以按照下式確定： 上式 的解存在而且唯一。如果函數(shù) 的值滿足 ，則可以證明 Sugeno積分和 Choquet積分可以按照下式計算： 其中 設(shè) ， 映射 稱為模糊密度函數(shù) 。 因此 Sugeno積分和 Choquet積分是尋找實際值 和期望值 之間最大程度的一致性 。 假定正確劃分的個數(shù)總是大于錯誤劃分的個數(shù)。上式的含義是：當(dāng)兩個分類器的輸出不一致時，那么所考慮分類器 就有錯分的可能性，原始模糊密度就要根據(jù)相對于分類器 的不一致個數(shù)降低
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1