模糊分类模型及其集成方法

1 绪论
1.1 模糊分类研究的背景
1.2 模糊分类研究的目的
1.3 模糊分类相关的研究
1.3.1 精简模糊规则数量的方法研究
1.3.2 模糊分类识别率的提高方法研究
1.4 模糊分类研究的内容
2 模糊分类、核函数方法及支持向量机
2.1 模糊分类
2.1.1 模糊IF-THEN分类规则
2.1.2 隶属度函数
2.1.3 模糊划分
2.1.4 基于模糊划分的分类规则产生
2.2 核函数
2.3 支持向量机理论
2.3.1 线性情况
2.3.2 非线性情况
3 基于模糊核超球感知器的模糊分类模型
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类模型
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类模型
3.3.3 FCMBFKHP模型分类规则的生成
3.4 模糊IFTHEN规则的调整
3.4.1 调整策略分析
3.4.2 调整边界分析
3.4.3 规则调整算法
3.5 实验结果分析
3.5.1 核函数及参数对超球产生的影响实验
3.5.2 分类识别率比较实验
4 基于进化式核聚类的模糊分类模型
4.1 核聚类方法
4.2 基于支持向量的聚类
4.3 基于进化式核聚类的模糊分类模型
4.3.1 FCMBEKC分类模型结构
4.3.2 进化式核聚类算法
4.3.3 模糊分类规则的创建及分类推理
4.3.4 进化式核聚类算法中簇半径阈值的讨论
4.4 基于遗传算法的模糊IF-THEN规则的调整
4.4.1 基因编码
4.4.2 适应度函数
4.4.3 增强信息的确定
4.4.4 遗传操作
4.5 实验结果分析
4.5.1 基于Wine数据集的实验
4.5.2 基于手写体数字识别数据集实验
5 基于支持向量机的模糊分类模型
5.1 模糊支持向量机的研究现状
5.1.1 第一种模糊支持向量机
5.1.2 第二种模糊支持向量
5.2 基于支持向量机的模糊分类模型
5.2.1 FCMBSVM的基本思想
5.2.2 FCMBSVM模型结构
5.2.3 隶属函数的选择
5.2.4 核函数证明
5.2.5 参数ak和b的求解
5.2.6 模型几何特性
5.3 FCMBSVM模型参数分析
5.3.1 惩罚参数C
5.3.2 隶属函数参数
5.4 基于FCMBSVM模型的多类分类
5.4.1 模糊IF-THEN规则表达式
5.4.2 参数akm及bm的求解
5.5 实验结果分析
5.5.1 双螺旋线实验
5.5.2 基于Image数据集实验
5.5.3 多类分类实验
6 基于模糊积分的多分类器集成方法
6.1 多分类器集成
6.1.1 多分类器集成研究的产生和现状
6.1.2 分类器输出信息描述
6.1.3 多分类器集成类型
6.1 I4基于度量级信息的并联式集成方法
6.2 模糊测度及模糊积分理论
6.2.1 模糊测度和g模糊测度
6.2.2 模糊积分
6.3 基于模糊积分的分类器集成方法
6.3.1 关于个体分类器生成
6.3.2 分类器集的选择
6.3.3 基于隶属度矩阵的模糊积分密度的确定
6.3.4 多分类器集成方法
6.4 实验结果分析
6.5 小结
7 基于模糊分类方法的网络流量分类
7.1 基于机器学习方法的网络流量分类研究
7.1.1 网络流量分类
7.1.2 网络流量分类研究的意义及现状
7.1.3 网络流量分类构建框架
7.2 网络流量样本采集及特征产生
7.2.1 网络流量采集
7.2.2 流及流的候选特征形成
7.2.3 流量样本类型自动标志
7.3 网络流量特征选择
7.3.1 特征选择概述
7.3.2 流特征产生方法
7.4 基于模糊分类方法的网络流量分类器构建
7.4.1 分类器构建
7.4.2 分类器性能评测
7.5 实验分析
7.5.1 特征选择实验
7.5.2 分类实验
8 结论及进一步的工作
8.1 结论
8.2 进一步的工作
参考文献