基于ε-不敏感准则和结构风险的鲁棒径向基函数神经网络学习

该文提出一种新的基于ε-不敏感准则和结构风险的径向基神经网络(RBF-NN)建模方法。通过引入ε-不敏感准则和结构风险项,把RBF-NN训练转化为线性回归和经典的二次规划优化问题。和传统的基于最小平方误差准则的RBF-NN训练算法相比,提出的新方法对小样本数据集和噪声数据显示出较好的鲁棒性,具有较好的泛化能力。通过模拟和真实数据集进行仿真试验,上述优点得到了有效验证。     

基于全局和局部保持的半监督支持向量机

 支持向量机（SVM）作为正则化方法的一个特例在模式识别领域得到了成功地运用,然而传统的SVM方法作为一种有监督的学习方法主要依据最大间隔原则得到决策超平面的法向量,而并没有充分考虑样本内在的几何结构以及所蕴含的判别信息. 因此,本文将线性判别分析（LDA）的类内散度和保局投影（LPP）的基本原理引入到SVM中,提出基于全局和局部保持的半监督支持向量机：GLSSVM,该方法在继承传统的SVM方法的特点的基础上,充分考虑样本间具有的全局和局部几何结构,体现样本间所蕴含的局部和全局判别信息,同时满足作为半监督方法的必须依据的一致性假设,从而在一定程度上提高了分类精度．通过在人造数据集和真实数据集上的测试表明该方法具有上述优势．     

0阶L2型TSK迁移学习模糊系统

针对传统模糊系统在面对源场景存在某种程度的信息缺失或所采集的信息有限导致受训所得系统泛化能力较差之挑战,探讨了具有迁移学习能力的模糊系统.该类模糊系统不仅能充分利用当前场景的数据信息,还可有效利用历史知识对当前源场景的建模过程进行辅助学习,以达到弥补信息缺失之目的.基于此思想以0阶L2型TSK模糊系统为研究对象构造了0阶L2型TSK迁移模糊系统(0-L2-TSK-TFS).在模拟数据集以及真实数据集上的实验研究亦验证了该迁移模糊系统在应对存在信息缺失的场景时,较之于传统模糊建模方法有着更好的适用性.     

面向癫痫脑电图信号识别的径向基最小最大概率分类树

脑电图(EEG)信号检测和识别是癫痫病的重要诊断手段。径向基函数神经网络具有出色的逼近能力和泛化性能,能直接识别出不同状态的脑电信号,但其透明性和可解释性差,忽视了不同类别数据间可分性的不同。对此,该文提出一种基于径向基函数神经网络和最小最大概率决策技术的分类树,采用一对一策略和排除法,更多考虑了类间可分性的不同。针对脑电信号识别的实验表明,所提方法结构清晰,分类能力强,可解释性更好。     

熵加权多视角协同划分模糊聚类算法

当前,基于协同学习机制的多视角聚类技术存在如下两点不足：第一,以往构造的用于各视角协同学习的逼近准则物理含义不明确且控制简单;第二,以往算法均默认各视角的重要性程度是相等的,缺少各视角重要性自适应调整的能力。针对上述不足：首先,基于具有良好物理解释性的Havrda-Charvat熵构造了一个全新的异视角空间划分逼近准则,该准则能有效地控制异视角间的空间划分相似程度;其次,基于香农熵理论提出了多视角自适应加权策略,可有效地控制各视角的重要性程度,提高算法的聚类性能;最后,基于FCM框架提出了熵加权多视角协同划分模糊聚类算法(entropy weight-collaborative partition-multi-view fuzzy clustering algorithm,简称EW-CoP-MVFCM)。在模拟数据集以及 UCI 数据集上的实验结果均显示,所提算法较之已有多视角聚类算法在应对多视角聚类任务时具有更好的适应性。     

基于模糊子空间聚类的0 阶岭回归TSK 模糊系统

经典数据驱动型TSK模糊系统在利用高维数据训练模型时,由于规则前件采用的特征过多,导致规则的解释性和简洁性下降.对此,根据模糊子空间聚类算法的子空间特性,为TSK模型添加特征抽取机制,并进一步利用岭回归实现后件的学习,提出一种基于模糊子空间聚类的0阶岭回归TSK模型构建方法.该方法不仅能为规则抽取出重要子空间特征,而且可为不同规则抽取不同的特征.在模拟和真实数据集上的实验结果验证了所提出方法的优势.     

堆叠隐空间模糊C 均值聚类算法

基于极限学习机理论, 将主成分分析技术与ELM特征映射相结合, 提出一种基于主成分分析的压缩隐空间构建新方法. 结合多层神经网络学习方法对隐空间进行多层融合, 进一步提出了堆叠隐空间模糊C 均值聚类算法,从而提高对非线性数据的学习能力. 实验结果表明, 所提出算法在处理复杂非线性数据时更加高效、稳定, 同时克服了模糊聚类算法对模糊指数的敏感性问题.

     

融合模糊推理和流形正则化的特征迁移学习

迁移学习利用源域中丰富的数据来为目标域构建精确的模型提供辅助和支持。特征迁移学习是迁移学习中被广泛研究的一类技术,但是现有的特征迁移方法面临着如下的问题:一些已有的方法仅能实现线性的特征迁移学习,因此这些方法迁移学习的能力有限。另一类方法虽然能实现非线性特征迁移学习,但往往需要引进核技巧等策略,这使得特征迁移的过程难以理解。针对此,引入模糊推理技术,提出基于不确定推理规则的特征迁移方法。该方法基于模糊推理系统来实现特征迁移,并利用流形正则化技术来避免特征迁移过程中的信息损失。由于模糊系统具有很好的非线性建模能力以及基于规则的良好的解释性,因此提出的方法具有良好的非线性特征迁移能力,并易于对新特征进行理解。大量实验证明,该算法在跨域图像分类问题上可以明显优于已有的多种方法。     

一种面向中小规模数据集的模糊分类方法

虽然Takagi-Sugeno-Kang （TSK）模糊分类器在一些重要场合已经取得了广泛应用,但如何提高其分类性能和增强其可解释性,仍然是目前的研究热点.提出一种随机划分与组合特征且规则具有高可解释性的深度TSK模糊分类器（RCC-DTSK-C）,但和其他分类器构造不同的是：（1） RCC-DTSK-C由很多基训练单元构成,这些基训练单元可以被独立训练;（2）每一个基训练单元的隐含层通过模糊规则的可解释性来表达,而这些模糊规则又是通过随机划分、随机组合来进行特征选择的;（3）基于栈式结构理论,源数据集作为相同的输入空间被映射到每一个独立的基训练单元中,这样就有效地保证了源数据的所有特征在每一个独立的训练单元中都得以保留.实验结果表明,RCC-DTSK-C具有良好的分类性能和可解释性.