AFSgydF4y2Ba 模糊系统的进步gydF4y2Ba 1687 - 711 xgydF4y2Ba 1687 - 7101gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/4152049gydF4y2Ba 4152049gydF4y2Ba 研究文章gydF4y2Ba 减少混合去噪和特征分类模型gydF4y2Ba https://orcid.org/0000 - 0002 - 3995 - 2768gydF4y2Ba 达斯gydF4y2Ba HimansugydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 9761 - 8389gydF4y2Ba 奈克gydF4y2Ba BighnarajgydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0002 - 8952 - 8383gydF4y2Ba BeheragydF4y2Ba h·S。gydF4y2Ba 1gydF4y2Ba OzkangydF4y2Ba 易卜拉欣gydF4y2Ba 1gydF4y2Ba 信息技术部门gydF4y2Ba 转向苏伦德拉赛科技大学gydF4y2Ba 捉弄gydF4y2Ba Sambalpur 768018gydF4y2Ba OdishagydF4y2Ba 印度gydF4y2Ba vssut.ac.ingydF4y2Ba 2gydF4y2Ba 计算机应用系gydF4y2Ba 转向苏伦德拉赛科技大学gydF4y2Ba 捉弄gydF4y2Ba Sambalpur 768018gydF4y2Ba OdishagydF4y2Ba 印度gydF4y2Ba vssut.ac.ingydF4y2Ba 2020年gydF4y2Ba 1gydF4y2Ba 3gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 15gydF4y2Ba 09年gydF4y2Ba 2019年gydF4y2Ba 18gydF4y2Ba 11gydF4y2Ba 2019年gydF4y2Ba 16gydF4y2Ba 01gydF4y2Ba 2020年gydF4y2Ba 1gydF4y2Ba 3gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020 Himansu Das et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

模糊系统的演变表明,影响力和成功在许多通用逼近能力和应用程序。提出了一种混合去噪和特征减少(NF-FR)模型进行数据分析。这个提议NF-FR模型使用一个基于功能的类归属感模糊化过程的模式。在模糊化过程中,所有的功能都扩展基于类中可用数据集的数量。它有助于解决不确定性问题和助攻的人工神经网络(ANN)模型为基础实现更好的性能。然而,问题的复杂性增加,由于这种扩张的输入特征模糊化过程。这些扩展功能可能并不总是对模型作出了重大贡献。为了克服这个问题,功能降低(FR)是用来过滤掉无关紧要的功能,导致网络不计算成本。这些减少显著特性用于ANN-based模型对数据进行分类。这种模型的有效性与十个基准测试和验证数据集(包括平衡和不平衡)来演示NF-FR提出模型的性能。 The performance comparison of the NF-FR model with other counterparts has been carried out based on various performance measures such as classification accuracy, root means square error, precision, recall, and f-measure for quantitative analysis of the results. The obtained simulated results have been tested using the Friedman, Holm, and ANOVA tests under the null hypothesis for statistical validity and correctness proof of the results. The result analysis and statistical analysis show that the NF-FR model has achieved a considerable improvement in accuracy and is found to be efficient in eliminating redundant and noisy information.

 科学和工程研究委员会gydF4y2Ba EEQ / 2017/000355gydF4y2Ba 1。介绍gydF4y2Ba

在过去的几十年里,机器学习(gydF4y2Ba 1gydF4y2Ba)是一个关键的研究领域中研究人员由于动态生成和大量数据的可用性。将这些大量的数据转化为知识是最大的挑战之一。有各种各样的机器学习技术,如分类(gydF4y2Ba 2gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba),聚类(gydF4y2Ba 6gydF4y2Ba],预测[gydF4y2Ba 7gydF4y2Ba,gydF4y2Ba 8gydF4y2Ba),和系统控制gydF4y2Ba 9gydF4y2Ba,gydF4y2Ba 10gydF4y2Ba)用于上述问题。分类是一种重要的机器学习技术构建一个模型,该模型将数据分为不同的类标签。它给出了详细的知识(gydF4y2Ba 11gydF4y2Ba域被分类。解决现实问题,安gydF4y2Ba 12gydF4y2Ba)作为工具的分类不同的任务,如分类、聚类,回归类似于人类的大脑。安是著名的大规模并行结构,同时处理大量的数据。它还高精度和高的学习能力甚至在很小数量的信息。安已经成功应用在时间序列预测等不同的问题域(gydF4y2Ba 13gydF4y2Ba)、聚类和系统控制(gydF4y2Ba 14gydF4y2Ba]。安的主要缺点是处理不精确或不确定的数据(gydF4y2Ba 15gydF4y2Ba]。由于不精确和模糊的输入信息,一些不确定因素(gydF4y2Ba 16gydF4y2Ba,gydF4y2Ba 17gydF4y2Ba)可能出现在任何阶段的数据分类过程。模糊集(FS)是一种最合适的方法来处理这些不确定性问题。的隶属程度值确定每个特征对几类标签使用FS。这些成员值可以很容易地处理不确定和不精确的信息。FS的明显的特征是它可以有效工作即使不完整或不精确的数据相对于其他数学模型。但这种模糊扩张是一个广泛使用的概念在大多数为处理不确定性的复杂问题。然而,这将导致在处理大型数据集的计算密集型任务。但是,相反,使用模糊扩张也很重要。所以,我们不能完全消除模糊化过程。相反,我们可以避免小觑fuzzified值的处理。 Hence, it is essential to integrate different individual techniques to form various hybrid techniques. These hybridization techniques provide an intelligent system that performs better than individual techniques to deal with the real-world problems. The motivation behind the hybrid model is to eliminate the drawbacks of individual techniques and build hybrid models that are more efficient and transparent than individual models. The hybridization of various techniques is successfully applied in several applications such as biomedical signal processing [ 18gydF4y2Ba],云优化[gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba],预测[gydF4y2Ba 21gydF4y2Ba),和医疗保健gydF4y2Ba 22gydF4y2Ba- - - - - -gydF4y2Ba 24gydF4y2Ba]。主要用于杂化模型称为自适应神经模糊推理系统(简称ANFIS) [gydF4y2Ba 25gydF4y2Ba等)成功地应用于不同的问题领域分类、预测和模式识别。但是这个模型的主要缺点是它是由模糊规则集。这些规则集需要更多的时间来训练模式,使网络更加复杂。它提供了更好的性能时,才模糊规则集设计合理。NF的另一个变体模型与神经网络和FS模型中描述(gydF4y2Ba 26gydF4y2Ba,gydF4y2Ba 27gydF4y2Ba]。在这个模型中,模糊系统的能力是适应人类的感知方式中存在的问题以及神经网络的学习能力。杂化是提高适应性等不同特点,模型的速度和灵活性。Ghosh et al。gydF4y2Ba 26gydF4y2Ba)使用Π-type隶属函数(gydF4y2Ba 28gydF4y2Ba模糊化过程,扩展了基于数量的输入特性类的类标签属性。由于这种模糊扩张这些输入功能,网络复杂度的增加,需要较长的时间进行训练和测试模型。它增加了维度(gydF4y2Ba 29日gydF4y2Ba由于模糊性问题的过程,导致临时凑成的性能模型的一个主要障碍(gydF4y2Ba 30.gydF4y2Ba- - - - - -gydF4y2Ba 32gydF4y2Ba]。这个NF模型给出了一个相当大的改善精度比安,但其计算时间增加。除此之外,所有的扩展功能可能并不总是对网络作出了重大贡献。因此,必须删除这些特性不明显造成的网络。在这方面,降维算法起着重要的作用,消除特性不明显导致了网络。因此,一个功能减少算法叫做主成分分析(PCA) (gydF4y2Ba 33gydF4y2Ba)是用来消除无关的特性来提高性能和降低成本的计算模型。NF模型成功地发现了许多实际的应用程序(gydF4y2Ba 34gydF4y2Ba在科学和工程。它适用于处理不精确和不确定性的本质问题(gydF4y2Ba 35gydF4y2Ba在处理之前)通过解释输入功能。它使模型更加健壮的和透明的决策过程。这吸引了许多研究者采用NF模型进行数据分析。出于上述事实,这个工作项目计划NF的改进模型。gydF4y2Ba

这项工作的目标是开发一种混合模型NF-FR呼吁数据分类。在第一步中,Π-type采用隶属函数模糊化的输入模式。的特性减少算法应用于fuzzified变量模糊化过程(减少postfeature)后NF模型开发与功能减少去噪(NF-FR)模型。在这个模型中,减少postfeature一直在使用fuzzified模式来过滤掉无关紧要,冗余和噪声特性。与prefeature减少,这使得参与的所有特性模糊化过程,然后从fuzzified模式识别的特征。这种方法允许探索潜在fuzzified功能弱的特性集。NF-FR模型提取fuzzified信息真正有助于加快网络分类过程通过消除fuzzified特性无关。主要的观察是,所需的总时间运行算法大大减少使用FR算法称为PCA。因此,NF-FR模型不仅提供更准确的结果,也减少了执行时间。相比我们有四个模型如安,安使用PCA与FR (ANN-FR)、NF, NF-FR使用十个基准数据集来自UCI机器学习库。每个数据集然后评估等各种性能参数测量的均方根误差(RMSE) f-measure、精度和召回的混淆矩阵。gydF4y2Ba

本文的其余部分组织如下:部分gydF4y2Ba 2gydF4y2Ba提供评审的相关工作。部分gydF4y2Ba 3gydF4y2Ba描述的基本预赛NF模型、主成分分析和详细的提出了NF-FR模型的研究工作。部分gydF4y2Ba 4gydF4y2Ba详细介绍了实验装置和模拟环境,提出了模型的结果分析。部分gydF4y2Ba 5gydF4y2Ba描述了所有的统计分析模型,最后,部分gydF4y2Ba 6gydF4y2Ba本文的总结与未来工作范围。gydF4y2Ba

 2。文献调查gydF4y2Ba

等软计算技术FS, NN、NF和降维中发挥重要作用的发展混合模型在过去几个持续几十年。的杂交技术也被认为是一个基准工作领域的数据挖掘、机器学习和模式识别。这个文献回顾表明上述模型的最新发展及其应用在各个领域。FS枝代表提出的人类感知的方式表示特别在语言交际等不同领域,模式识别和信息抽象来解决不确定性问题。可以通过不同的模糊化技术解决这些不确定性问题,用于输入特性转换成对应的fuzzified特性集。这个模糊化过程可以用两种方法表示如类归属感模糊性和类nonbelongingness模糊性。Ghosh et al。gydF4y2Ba 27gydF4y2Ba)提出了一种NF分类模型的特性fuzzified基于钟形隶属函数。fuzzified矩阵从输入特征与形成一定程度的归属感不同的类。类标签的值确定的程度对该类归属感。朋友和密特拉gydF4y2Ba 28gydF4y2Ba用隶属函数,将脆值转换为其语言值,和使用这些语言值作为输入到网络而不是数值模式。他们利用Π-type隶属度函数模糊化和ANN-based MLP与反向传播模型。但他们不考虑任何倾向或者添加的网络结构。默赫(gydF4y2Ba 34gydF4y2Ba)提出了NF分类使用粗糙集方法,利用最好的提取功能。这是通过feature-wise归属感的模式使用处理impreciseness模糊集和粗糙集的不确定性。冰斗et al。gydF4y2Ba 35gydF4y2Ba)最近的一项调查NF分类模型发展提供2002年至2012年期间在不同的应用领域,如交通管制,经济体制,医疗系统,图像处理。Viharos和克义斯gydF4y2Ba 36gydF4y2Ba)进行了详细的调查等不同的NF模型简称ANFIS,猎鹰,GARIC, NEFCON, SONFIN及其体系结构。它也给的详细调查的使用这些模型在诊断和测量技术领域。NF模型的详细调查的分类描述了从2000年到2017年(gydF4y2Ba 37gydF4y2Ba]。Das和PratihargydF4y2Ba 38gydF4y2Ba)利用神经模糊多目标优化技术在制造过程固有的模糊性。Škrjanc et al。gydF4y2Ba 39gydF4y2Ba]解决回顾发展的神经模糊和模糊规则模型在真实环境中用于分类、聚类、回归分析和系统辨识。在数据分析过程中,降维技术,如特征选择和特征减少用于预处理[gydF4y2Ba 40gydF4y2Ba)阶段的原始特性转换成原始特性或转换功能。将[gydF4y2Ba 41gydF4y2Ba)解决人类抑郁症的诊断的NF模型基于某些症状。这个模型使用PCA特征从14减少功能7功能显著相关,导致疾病识别的决策过程。易卜拉欣et al。gydF4y2Ba 42gydF4y2Ba]data-adaptive NF推理模型用于糖尿病疾病的早期检测和分类基于症状。Alvanitopoulos et al。gydF4y2Ba 43gydF4y2Ba)提出了一种NF分类技术识别地震对建筑产生的损害。地震后的表现,评估现有的安全结构和测量是自动破坏建筑物的分类被认为是。陈(gydF4y2Ba 44gydF4y2Ba期限)提出一个在线NF模型约束消息调度系统。它适应网络结构和参数探讨消息调度系统的动态行为。爱资哈尔和库马尔gydF4y2Ba 45gydF4y2Ba解决一个NF文本摘要方法。过滤器上的高质量的摘要句子文档了解会议数据语料库。辛格et al。gydF4y2Ba 46gydF4y2Ba)提出了一个增强的NF模型用于聚类,减少了语言变量的数量和NF模型。Nilashi et al。gydF4y2Ba 47gydF4y2Ba]使用乐团简称ANFIS模型,聚类和降维预测肝炎疾病的诊断。Shihabudheen et al。gydF4y2Ba 48gydF4y2Ba]解决PSO-based ELM-ANFIS回归和分类模型,以降低计算成本,随机性,和更好的泛化。gydF4y2Ba

PCA也起着重要的作用,消除冗余特征从输入模式可以改善系统的性能和精度。它从数据集提取重要信息,代表这是一组新的正交变量叫做主成分。这是一个统计方法用来减少变量通过收集高度相关的变量的数量。Polat和GuneşgydF4y2Ba 49gydF4y2Ba使用PCA和简称ANFIS技术。他们利用该特性减少算法来减少糖尿病的输入特征数据集从八个特性四个特性并进行了预测性诊断通过输入虽然简称ANFIS模型。小王和PaliwalgydF4y2Ba 50gydF4y2Ba]提出dimensionality-based特征提取算法,如线性判别分析和主成分分析对元音识别。它将输入参数转换为特征向量和降低其维度分类过程更有效率。阿扎尔的(gydF4y2Ba 51gydF4y2Ba]解决了基于语言树篱的特征选择方法在模型自适应NF医疗诊断。它也减少的尺寸问题,提高分类的性能通过消除冗余和噪声特性。它也加快了学习算法的计算时间和简化了分类的任务。凯尔et al。gydF4y2Ba 52gydF4y2Ba)提出了一种NF前列腺癌分类的工具。这个模型诊断发现可以解释语言的一组规则。Gabrys [gydF4y2Ba 53gydF4y2Ba]解决了一般模糊不等式性质网络模型中的不确定信息处理产业。它分析和识别是否结合不同的技术结合,形成杂化。Ubeyli [gydF4y2Ba 54gydF4y2Ba)简称ANFIS模型申请ECG信号的分类。李雅普诺夫指数用于特征提取,简称ANFIS用于分类。Kolodyazhniy et al。gydF4y2Ba 55gydF4y2Ba)使用PCA降维,NF柯尔莫哥洛夫的网络为污水处理厂数据分类。Schclar et al。gydF4y2Ba 56gydF4y2Ba]合奏各种模型基于降维。由于输入特征的维度的增加在NF模型中,计算成本增加。为了解决这个问题,各种功能减少技术用于预处理阶段。然而,我们目前的调查提出NF-FR模型是合理的类的归属感模糊性的输入特性。这些fuzzified特性过滤掉的PCA生产减少功能。这些特性是通过减少ANN-BPN模型为基础的培训和测试。本实验完成了十个数字的平衡和不平衡的数据集。gydF4y2Ba

 3所示。系统模型gydF4y2Ba

近几十年,研究人员正试图设计的混合动力系统使用的模糊系统和神经网络模式分类。NF模型的基本概念、PCA和NF-FR模型的混合模型提出了以下部分。gydF4y2Ba

3.1。去噪模型gydF4y2Ba

在实际问题中,不确定性的一个主要挑战导致不完整的和不精确的信息输入数据模式分类问题。因此,有必要提供充足的条款来处理不确定性。在NF模型,而不是正常的输入值,模糊值输入到神经网络。fuzzified矩阵是一个模糊化过程的结果,生成一个会员矩阵中元素出现在这个矩阵的总数等于产品的数量特征和类中数据集的数量,这是神经网络的输入。fuzzified输入矩阵与归属感的程度相关联的类,提取feature-wise信息的输入模式。每个特性值的模式代表了每个类成员的值,在会员使用Π-type隶属函数值是衡量在图表示gydF4y2Ba 1gydF4y2Ba。这个模糊化矩阵传递给安训练网络模型。gydF4y2Ba

Π-type隶属函数。gydF4y2Ba

 3.2。主成分分析gydF4y2Ba

模糊化过程可能导致高维度数据,所有的功能可能不带歧视的重要信息的模式。此外,这种尺寸的增加影响了机器学习算法的复杂性。本节描述特性减少算法的工作原理称为PCA提取相关的功能从原来的特性集,以减少数据的维度。这可以通过将高维特征转换为新的小转换特性不丢失原始数据集的基本信息。这些新的特征集叫做主成分的数据变化作为原始特征的线性组合。主成分分析只考虑这些组件,有更大的方差的数据。主成分分析的主要目标是识别数据的隐藏模式,确定特征之间的相关性,并降低维度的特性通过消除冗余和噪声特性。gydF4y2Ba

 3.3。提出了混合去噪和FR模型gydF4y2Ba

在这个模型中,feature-wise信息输入模式从原始数据中提取不同的类。因为所有功能不是同样重要的是在歧视的情况下,预计feature-wise归属感来帮助在分类过程。在本节中,小说的详细示意图NF-FR模型提出了非线性的分类数据。这个模型是移动部件为三个主要步骤如输入特征模糊化处理,使用PCA特征减少,使用安与反向传播学习和分类。gydF4y2Ba

最初,这个NF-FR模型用于提取feature-wise信息从输入模式对应fuzzified矩阵通过使用类归属感模糊化技术。在本研究中,我们使用了一个受欢迎的Π-type隶属函数模糊化的输入模式。以来的所有特性可能不明显导致了分类过程中,至关重要的是找到每个属性的类归属感。为了实现这一目标,这里有Π-type隶属函数模糊化过程提供个人特性的归属感的程度对类标签。因此,每个特性值的输入模式已经扩大到gydF4y2Ba CgydF4y2Ba 值的数量,gydF4y2Ba CgydF4y2Ba 是数量的类标签。此外,这种扩张的输入模式可能包括一些无关紧要的功能,因此,PCA用于修剪无关的特性。最后,ANN模型已被用于分类过程与反向传播学习,和ANN模型的输出defuzzified得到最终结果。提出的框图NF-FR分类模型如图gydF4y2Ba 2gydF4y2Ba,详细的工作模型如图gydF4y2Ba 3gydF4y2Ba。这个模型已经在下面详细讨论。gydF4y2Ba

NF-FR框架模型。gydF4y2Ba

提出了模型的详细的工作模型。gydF4y2Ba

 步骤1(模糊化过程)。gydF4y2Ba

在这一步中,gydF4y2Ba ngydF4y2Ba维输入模式gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba FgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 被认为是一个输入模式,在哪里gydF4y2Ba ngydF4y2Ba 是数据集的特性。这里,数据集的成员每个特性值计算通过使用Π-type隶属函数,如图gydF4y2Ba 1gydF4y2Ba。会员的价值gydF4y2Ba jgydF4y2Ba thgydF4y2Ba 的实例gydF4y2Ba 我gydF4y2Ba thgydF4y2Ba 特性对类标签gydF4y2Ba CgydF4y2Ba 表示为gydF4y2Ba μgydF4y2Ba CgydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,在那里gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 是gydF4y2Ba jgydF4y2Ba thgydF4y2Ba 的实例gydF4y2Ba 我gydF4y2Ba thgydF4y2Ba 数据集的特点,gydF4y2Ba CgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 代表类的数量数据集。模糊化过程gydF4y2Ba μgydF4y2Ba CgydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 提供个人特征的隶属程度的不同的类标签。这里,Π-type隶属函数被用于模糊化和控制模型的陡度,这可能是意识到在以下方程:gydF4y2Ba (1)gydF4y2Ba μgydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ;gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba dgydF4y2Ba ,gydF4y2Ba egydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba bgydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba ≤gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba fgydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 2gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba bgydF4y2Ba bgydF4y2Ba −gydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba fgydF4y2Ba ≤gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba bgydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba bgydF4y2Ba ≤gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba dgydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 2gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba dgydF4y2Ba egydF4y2Ba −gydF4y2Ba dgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba dgydF4y2Ba ≤gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba egydF4y2Ba egydF4y2Ba −gydF4y2Ba dgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ≤gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba egydF4y2Ba ,gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 我gydF4y2Ba ≥gydF4y2Ba egydF4y2Ba 。gydF4y2Ba

在方程(gydF4y2Ba 1gydF4y2Ba),成员值最小的点gydF4y2Ba 一个gydF4y2Ba 和gydF4y2Ba egydF4y2Ba 。在这里,会员从点值逐渐增加gydF4y2Ba 一个gydF4y2Ba 和gydF4y2Ba bgydF4y2Ba ,保留之间的最大值点gydF4y2Ba bgydF4y2Ba 和gydF4y2Ba dgydF4y2Ba 点,然后逐渐减少gydF4y2Ba dgydF4y2Ba 来gydF4y2Ba egydF4y2Ba 。中心gydF4y2Ba cgydF4y2Ba 是计算gydF4y2Ba cgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba /gydF4y2Ba 米gydF4y2Ba 的训练数据集。计算交叉点gydF4y2Ba fgydF4y2Ba 和gydF4y2Ba ggydF4y2Ba 分别代表在以下方程:gydF4y2Ba (2)gydF4y2Ba fgydF4y2Ba =gydF4y2Ba cgydF4y2Ba −gydF4y2Ba 马克斯gydF4y2Ba ∀gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 最小值gydF4y2Ba ∀gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba (3)gydF4y2Ba ggydF4y2Ba =gydF4y2Ba cgydF4y2Ba +gydF4y2Ba 马克斯gydF4y2Ba ∀gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 最小值gydF4y2Ba ∀gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba 米gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

在方程(gydF4y2Ba 2gydF4y2Ba)和(gydF4y2Ba 3gydF4y2Ba),gydF4y2Ba 马克斯gydF4y2Ba 和gydF4y2Ba 最小值gydF4y2Ba 两个数学函数用于计算的最小和最大价值gydF4y2Ba jgydF4y2Ba thgydF4y2Ba 的实例gydF4y2Ba 我gydF4y2Ba thgydF4y2Ba 功能(gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba )的数据集。会员分频点的价值gydF4y2Ba fgydF4y2Ba 和gydF4y2Ba ggydF4y2Ba 是0.5。gydF4y2Ba

模糊化过程后,fuzzified矩阵gydF4y2Ba μgydF4y2Ba PgydF4y2Ba 完整的数据集的计算通过使用Π-type隶属函数,这是表达如下:gydF4y2Ba (4)gydF4y2Ba μgydF4y2Ba PgydF4y2Ba =gydF4y2Ba μgydF4y2Ba FgydF4y2Ba 1,- 1gydF4y2Ba μgydF4y2Ba FgydF4y2Ba 1、2gydF4y2Ba ⋯gydF4y2Ba μgydF4y2Ba FgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba μgydF4y2Ba FgydF4y2Ba 2、1gydF4y2Ba μgydF4y2Ba FgydF4y2Ba 2、2gydF4y2Ba ⋯gydF4y2Ba μgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ⋮gydF4y2Ba ⋮gydF4y2Ba ⋱gydF4y2Ba ⋮gydF4y2Ba μgydF4y2Ba FgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba μgydF4y2Ba FgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ⋯gydF4y2Ba μgydF4y2Ba FgydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 代表会员的价值gydF4y2Ba jgydF4y2Ba thgydF4y2Ba 输入模式的gydF4y2Ba 我gydF4y2Ba thgydF4y2Ba 数据集的特性,它可以表示为如下方程:gydF4y2Ba (5)gydF4y2Ba μgydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba μgydF4y2Ba CgydF4y2Ba 1gydF4y2Ba fgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba μgydF4y2Ba CgydF4y2Ba 2gydF4y2Ba fgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba μgydF4y2Ba CgydF4y2Ba kgydF4y2Ba fgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba CgydF4y2Ba fgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 代表会员的价值gydF4y2Ba jgydF4y2Ba thgydF4y2Ba 输入模式的gydF4y2Ba 我gydF4y2Ba thgydF4y2Ba 关于特性的数据集gydF4y2Ba CgydF4y2Ba 类级别。在这里,gydF4y2Ba CgydF4y2Ba =gydF4y2Ba CgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba CgydF4y2Ba kgydF4y2Ba 在数据集类可用的数量。这个过程的输出是一个fuzzified矩阵包含扩展fuzzified特性的输入模式。模糊化的例子的结果一个特性(花瓣宽度)的虹膜数据集在图表示gydF4y2Ba 4gydF4y2Ba。每个成员值的所有数据集的特性将转换的范围内(0 - 1)如图gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

模糊化过程的虹膜数据集的特征(花瓣宽度)。gydF4y2Ba

 步骤2(功能还原过程)。gydF4y2Ba

由于本公司在华业务扩大的输入特性,模型的复杂性增加。分类过程更加有效和高效,PCA用于减少fuzzified会员的特性矩阵。在这一步中,这个fuzzified会员矩阵gydF4y2Ba μgydF4y2Ba PgydF4y2Ba 作为输入使用PCA算法减少的尺寸特性。gydF4y2Ba

让,加入上述fuzzified矩阵gydF4y2Ba μgydF4y2Ba PgydF4y2Ba 有gydF4y2Ba 问gydF4y2Ba 许多fuzzified特性,可以表示为gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba FgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba FgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba =gydF4y2Ba ngydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ,gydF4y2Ba ngydF4y2Ba 特征的数量,gydF4y2Ba CgydF4y2Ba 是数量的类标签。fuzzified成员矩阵的协方差矩阵计算通过使用以下方程:gydF4y2Ba (6)gydF4y2Ba 厘米gydF4y2Ba =gydF4y2Ba 浸gydF4y2Ba μgydF4y2Ba PgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba μgydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ¯gydF4y2Ba ×gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba −gydF4y2Ba μgydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ¯gydF4y2Ba TgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba μgydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ¯gydF4y2Ba 样本均值的特性gydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba 米gydF4y2Ba 被认为是代表样本的数量。协方差矩阵的组件(gydF4y2Ba 厘米gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba )代表的差异特性gydF4y2Ba FgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba FgydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

让gydF4y2Ba rgydF4y2Ba 轴的数量gydF4y2Ba 一个gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba 代表了协方差矩阵的特征向量,在哪里gydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba rgydF4y2Ba ≤gydF4y2Ba 问gydF4y2Ba 中,方差最大的投影空间。每个特性的平均值fuzzified会员矩阵计算gydF4y2Ba μgydF4y2Ba FgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ¯gydF4y2Ba 在哪里gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 和gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 。每个特性的平均值减去从每个维度的数据产生一个数据集的意思是零。gydF4y2Ba

特征值(gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba )和特征向量(gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba 协方差矩阵的计算很容易,因为它是一个对称矩阵。特征向量gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba 及其对应的特征值gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba 计算通过使用以下方程:gydF4y2Ba (7)gydF4y2Ba 厘米gydF4y2Ba ×gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba αgydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba rgydF4y2Ba 和gydF4y2Ba rgydF4y2Ba 是主成分的个数,可以推导出利用方程(gydF4y2Ba 8gydF4y2Ba),可以表示为降序排列的特征值对应的特征向量。gydF4y2Ba (8)gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba rgydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba TgydF4y2Ba ×gydF4y2Ba PgydF4y2Ba 我gydF4y2Ba 。gydF4y2Ba

这一步是降低矩阵的输出(gydF4y2Ba XgydF4y2Ba)包含相关信息的输入特性分类的决策过程是必要的。在第三步中,这减少了矩阵传递给安作为输入。gydF4y2Ba

步骤3(构建ANN-BPN模型)。gydF4y2Ba

在这一步中,人工神经网络的反向传播(ANN-BPN)模型是用于分类的过程。ANN-BPN模型使用反向传播作为一种监督学习算法来训练人工神经网络。更新模型的权重,以减少损失,有效地计算梯度。这个网络使用减少fuzzified矩阵作为输入,生成的步骤gydF4y2Ba 2gydF4y2Ba这个模型。在这个模型中,所有的输入层的权值是完全连接到隐藏层。所有的隐藏层也完全连接。最后一个隐层也连接到输出层。最初,所有与随机权重分配权重之间的范围gydF4y2Ba 0gydF4y2Ba 和gydF4y2Ba 1gydF4y2Ba 。可以在输入层节点的数目等于减少fuzzified矩阵的特性。在输出层节点的数目等于类标签的数据集的数量。在隐层的节点数可用的计算通过使用方程(gydF4y2Ba 9gydF4y2Ba),input_nodes、hidden_nodes output_nodes代表输入节点的数量,隐藏节点,分别和输出节点。隐藏层的数量和每个隐层神经元的数量取决于问题的复杂性。没有任何标准方法可用来计算它的文学,但一些作者使用以下公式计算隐层神经元的数量:gydF4y2Ba (9)gydF4y2Ba hidden_nodesgydF4y2Ba =gydF4y2Ba input_nodesgydF4y2Ba ×gydF4y2Ba output_nodesgydF4y2Ba 。gydF4y2Ba

在前馈步骤,模型训练的基础上减少fuzzified矩阵输入信息。净输入是通过产品的总和计算输入模式和分配的权重和添加的偏见。数学上,的净输入的性能gydF4y2Ba NgydF4y2Ba thgydF4y2Ba 神经元可以用下列方程表示:gydF4y2Ba (10)gydF4y2Ba UgydF4y2Ba NgydF4y2Ba =gydF4y2Ba BgydF4y2Ba NgydF4y2Ba +gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba rgydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ×gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba BgydF4y2Ba NgydF4y2Ba 的偏见gydF4y2Ba NgydF4y2Ba thgydF4y2Ba 神经元,gydF4y2Ba XgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba rgydF4y2Ba 的输入模式减少fuzzified矩阵,gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba rgydF4y2Ba 连接的权重吗gydF4y2Ba NgydF4y2Ba thgydF4y2Ba 神经元,gydF4y2Ba UgydF4y2Ba NgydF4y2Ba 的净输入模型。同样的,每一层的净输入计算,并应用输出的激活函数,确定不同连接层。计算输出层的输出通过使用下面描述的乙状结肠激活函数方程,在那里gydF4y2Ba ϕgydF4y2Ba 激活函数和吗gydF4y2Ba OgydF4y2Ba NgydF4y2Ba 神经元的输出:gydF4y2Ba (11)gydF4y2Ba OgydF4y2Ba NgydF4y2Ba =gydF4y2Ba ϕgydF4y2Ba UgydF4y2Ba NgydF4y2Ba 。gydF4y2Ba

在反向传播步骤中,误差计算减去实际输出与目标输出,和表达的错误如下:gydF4y2Ba (12)gydF4y2Ba 错误gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba target_outputgydF4y2Ba −gydF4y2Ba actual_outputgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 表示输出神经元的数量。在这里,均方根误差(RMSE) [gydF4y2Ba 5gydF4y2Ba- - - - - -gydF4y2Ba 10gydF4y2Ba可以通过使用以下公式计算:gydF4y2Ba (13)gydF4y2Ba RMSEgydF4y2Ba =gydF4y2Ba 错误gydF4y2Ba 2gydF4y2Ba ¯gydF4y2Ba 。gydF4y2Ba

同样,计算错误,更新和权重和偏见的学习过程。不同层之间的连接路径的权重调整模型中通过计算权重的变化减少的总体误差模型,实现在方程(gydF4y2Ba 14gydF4y2Ba),gydF4y2Ba αgydF4y2Ba之间的学习速率的范围[0,1]:gydF4y2Ba (14)gydF4y2Ba ΔgydF4y2Ba 重量gydF4y2Ba =gydF4y2Ba −gydF4y2Ba αgydF4y2Ba ×gydF4y2Ba ∂gydF4y2Ba 错误gydF4y2Ba ∂gydF4y2Ba 输出gydF4y2Ba ×gydF4y2Ba ∂gydF4y2Ba 输出gydF4y2Ba ∂gydF4y2Ba 净gydF4y2Ba ×gydF4y2Ba ∂gydF4y2Ba 净gydF4y2Ba ∂gydF4y2Ba 重量gydF4y2Ba 。gydF4y2Ba

新模型的重量和偏见可以通过使用下面的计算方程,分别为:gydF4y2Ba (15)gydF4y2Ba new_weightgydF4y2Ba =gydF4y2Ba old_weightgydF4y2Ba +gydF4y2Ba ΔgydF4y2Ba 重量,gydF4y2Ba (16)gydF4y2Ba new_biasgydF4y2Ba =gydF4y2Ba 老gydF4y2Ba _gydF4y2Ba 偏见gydF4y2Ba +gydF4y2Ba ΔgydF4y2Ba 偏见gydF4y2Ba 。gydF4y2Ba

这个过程重复多次来最小化模型的均方根误差或直到达到停止条件。这个建议的方法不同于安(与反向传播前馈),ANN-FR,和NF如下:(i)安(与反向传播前馈),所有的输入特性是并行处理没有提取无关紧要的功能,这需要更多时间来训练模型,也会导致的不确定性问题。(ii)在ANN-FR模型中,使用PCA预处理阶段消除无关紧要的功能,但这种模式无法解决的不确定性问题。(3)解决不确定性问题的NF模型使用类归属感模糊化过程,但它无法消除冗余或嘈杂的特性。(iv)通过考虑上述问题,该模型解决了不确定性问题通过使用类归属感模糊化过程,还消除了微不足道的fuzzified功能通过使用PCA代替消除的完整功能,这似乎微不足道。gydF4y2Ba

 4所示。结果分析gydF4y2Ba

在本节中,仿真环境和使用的数据集的训练和测试阶段的分析模型。在这里,四个模型(安,NF、ANN-FR NF-FR)是使用Matlab实现(版本R2015a) Windows 7操作系统。基准数据集来自UCI机器学习库(gydF4y2Ba 57gydF4y2Ba)收集和测试在不同的分类模型。详细描述所有这些数据集(gydF4y2Ba 57gydF4y2Ba,gydF4y2Ba 58gydF4y2Ba可以在“gydF4y2Ba http://archive.ics.uci.edu/ml/gydF4y2Ba”和“gydF4y2Ba http://keel.es/gydF4y2Ba。”

一些性能比较等技术分类准确性,均方根误差(RMSE),精度,还记得,和f-measure混淆矩阵的每个模型的基准数据集,并给出了比较结果。下面这些性能措施的细节。安的RMSE比较,NF, ANN-FR和NF-FR模型如表所示gydF4y2Ba 1gydF4y2Ba。错误块四个数据集(“泰坦尼克”号的姊妹乳腺、乳腺癌和酒)有四个模型(安,NF、ANN-FR NF-FR)如图gydF4y2Ba 5gydF4y2Ba。有一些构型上的差异这四个模型如下:安是一个简单的模型,没有模糊化和PCA用于分析,ANN-FR是没有模糊性PCA-based模型,NF是模糊性non-PCA基础模型,同样的,NF-FR是模糊性PCA-based模型。gydF4y2Ba

安的均方根误差比较,NF, ANN-FR, NF-FR模型。gydF4y2Ba

数据/模型gydF4y2Ba 安gydF4y2Ba NFgydF4y2Ba ANN-FRgydF4y2Ba NF-FRgydF4y2Ba
虹膜gydF4y2Ba 0.18721gydF4y2Ba 0.10258gydF4y2Ba 0.15471gydF4y2Ba 0.11721gydF4y2Ba
乳腺gydF4y2Ba 0.30163gydF4y2Ba 0.19111gydF4y2Ba 0.26163gydF4y2Ba 0.18031gydF4y2Ba
乳腺癌gydF4y2Ba 0.39734gydF4y2Ba 0.17052gydF4y2Ba 0.21637gydF4y2Ba 0.02546gydF4y2Ba
皮马印第安人gydF4y2Ba 0.41819gydF4y2Ba 0.29887gydF4y2Ba 0.38248gydF4y2Ba 0.30353gydF4y2Ba
由这些gydF4y2Ba 0.32242gydF4y2Ba 0.14770gydF4y2Ba 0.35525gydF4y2Ba 0.16222gydF4y2Ba
甲状腺gydF4y2Ba 0.15335gydF4y2Ba 0.05315gydF4y2Ba 0.14085gydF4y2Ba 0.08838gydF4y2Ba
《泰坦尼克号》gydF4y2Ba 0.19373gydF4y2Ba 0.28599gydF4y2Ba 0.07685gydF4y2Ba 0.34237gydF4y2Ba
酒gydF4y2Ba 0.05249gydF4y2Ba 0.03854gydF4y2Ba 0.08942gydF4y2Ba 0.10774gydF4y2Ba
哈伯曼gydF4y2Ba 0.25329gydF4y2Ba 0.33007gydF4y2Ba 0.35470gydF4y2Ba 0.35749gydF4y2Ba
输血服务gydF4y2Ba 0.31176gydF4y2Ba 0.31284gydF4y2Ba 0.13597gydF4y2Ba 0.29339gydF4y2Ba

错误块四个数据集:(一)《泰坦尼克号》;(b)乳腺;(c)乳腺癌;(d)葡萄酒。gydF4y2Ba

这里给出的结果是完全基于实验观察。表gydF4y2Ba 2gydF4y2Ba描述了分类精度的比较安,NF, ANN-FR,和NF-FR模型为最坏的情况下,平均和最佳案例。执行每一个模型与随机权重的十倍,并观察记录。基于十倍执行历史的所有模型,最差,平均和最佳案例得到的分类精度和表所示gydF4y2Ba 2gydF4y2Ba。除了分类精度,精度等一些额外的措施,还记得,这里f-measure也被认为是衡量性能的安,NF, ANN-FR和NF-FR模型。表gydF4y2Ba 3gydF4y2Ba描述的比较精密,召回和f-measure安,NF, ANN-FR和NF-FR模型。gydF4y2Ba

安的分类精度比较,NF, ANN-FR, NF-FR。gydF4y2Ba

数据/模型gydF4y2Ba 安gydF4y2Ba NFgydF4y2Ba ANN-FR(研究)gydF4y2Ba NF-FR(提议)gydF4y2Ba
WCgydF4y2Ba 交流gydF4y2Ba 公元前gydF4y2Ba WCgydF4y2Ba 交流gydF4y2Ba 公元前gydF4y2Ba WCgydF4y2Ba 交流gydF4y2Ba 公元前gydF4y2Ba WCgydF4y2Ba 交流gydF4y2Ba 公元前gydF4y2Ba
虹膜gydF4y2Ba 85.71gydF4y2Ba 91.56gydF4y2Ba 94.44gydF4y2Ba 90.00gydF4y2Ba 92.63gydF4y2Ba 97.06gydF4y2Ba 90.63gydF4y2Ba 94.02gydF4y2Ba 98.02gydF4y2Ba 91.43gydF4y2Ba 95.15gydF4y2Ba 99.26gydF4y2Ba
乳房摄影质量gydF4y2Ba 73.91gydF4y2Ba 79.21gydF4y2Ba 84.62gydF4y2Ba 79.99gydF4y2Ba 84.19gydF4y2Ba 87.35gydF4y2Ba 82.53gydF4y2Ba 84.50gydF4y2Ba 86.36gydF4y2Ba 83.05gydF4y2Ba 85.31gydF4y2Ba 87.72gydF4y2Ba
乳腺癌的威斯康辛州gydF4y2Ba 85.42gydF4y2Ba 91.07gydF4y2Ba 95.00gydF4y2Ba 91.18gydF4y2Ba 93.98gydF4y2Ba 96.48gydF4y2Ba 93.66gydF4y2Ba 95.39gydF4y2Ba 97.74gydF4y2Ba 93.86gydF4y2Ba 95.44gydF4y2Ba 97.04gydF4y2Ba
皮马印第安人糖尿病gydF4y2Ba 65.52gydF4y2Ba 72.96gydF4y2Ba 78.41gydF4y2Ba 71.76gydF4y2Ba 78.78gydF4y2Ba 86.84gydF4y2Ba 76.00gydF4y2Ba 81.66gydF4y2Ba 86.49gydF4y2Ba 76.74gydF4y2Ba 82.55gydF4y2Ba 85.94gydF4y2Ba
由这些gydF4y2Ba 56.25gydF4y2Ba 66.34gydF4y2Ba 76.00gydF4y2Ba 60.00gydF4y2Ba 73.85gydF4y2Ba 83.33gydF4y2Ba 69.23gydF4y2Ba 75.20gydF4y2Ba 83.87gydF4y2Ba 70.59gydF4y2Ba 77.15gydF4y2Ba 86.95gydF4y2Ba
甲状腺gydF4y2Ba 83.72gydF4y2Ba 86.76gydF4y2Ba 92.85gydF4y2Ba 86.04gydF4y2Ba 92.01gydF4y2Ba 96.07gydF4y2Ba 88.46gydF4y2Ba 92.53gydF4y2Ba 97.29gydF4y2Ba 92.98gydF4y2Ba 95.60gydF4y2Ba 99.55gydF4y2Ba
《泰坦尼克号》gydF4y2Ba 75.13gydF4y2Ba 77.64gydF4y2Ba 81.87gydF4y2Ba 76.00gydF4y2Ba 79.25gydF4y2Ba 83.74gydF4y2Ba 77.00gydF4y2Ba 80.54gydF4y2Ba 85.00gydF4y2Ba 77.10gydF4y2Ba 81.47gydF4y2Ba 85.94gydF4y2Ba
酒gydF4y2Ba 85.29gydF4y2Ba 91.24gydF4y2Ba 94.12gydF4y2Ba 88.88gydF4y2Ba 93.1gydF4y2Ba 97.22gydF4y2Ba 90.90gydF4y2Ba 93.94gydF4y2Ba 98.07gydF4y2Ba 90.62gydF4y2Ba 95.59gydF4y2Ba 99.88gydF4y2Ba
哈伯曼gydF4y2Ba 70.21gydF4y2Ba 75.42gydF4y2Ba 78.79gydF4y2Ba 75.00gydF4y2Ba 78.05gydF4y2Ba 82.81gydF4y2Ba 76.60gydF4y2Ba 80.29gydF4y2Ba 83.93gydF4y2Ba 77.97gydF4y2Ba 81.02gydF4y2Ba 86.89gydF4y2Ba
输血服务中心gydF4y2Ba 73.37gydF4y2Ba 75.86gydF4y2Ba 80.00gydF4y2Ba 73.61gydF4y2Ba 76.79gydF4y2Ba 80.41gydF4y2Ba 76.00gydF4y2Ba 80.14gydF4y2Ba 84.50gydF4y2Ba 76.58gydF4y2Ba 80.22gydF4y2Ba 84.91gydF4y2Ba

WC:最坏情况;AC:平均情况;公元前:最好的情况。gydF4y2Ba

比较不同的性能参数(精度、召回和f-measure)安,NF, ANN-FR和NF-FR模型。gydF4y2Ba

模型的精度、召回和f-measuregydF4y2Ba
数据/模型gydF4y2Ba 安gydF4y2Ba NFgydF4y2Ba ANN-FRgydF4y2Ba NF-FRgydF4y2Ba
PgydF4y2Ba RgydF4y2Ba 调频gydF4y2Ba PgydF4y2Ba RgydF4y2Ba 调频gydF4y2Ba PgydF4y2Ba RgydF4y2Ba 调频gydF4y2Ba PgydF4y2Ba RgydF4y2Ba 调频gydF4y2Ba
虹膜gydF4y2Ba 0.918gydF4y2Ba 0.910gydF4y2Ba 0.911gydF4y2Ba 0.926gydF4y2Ba 0.928gydF4y2Ba 0.923gydF4y2Ba 0.947gydF4y2Ba 0.942gydF4y2Ba 0.940gydF4y2Ba 0.950gydF4y2Ba 0.953gydF4y2Ba 0.948gydF4y2Ba
乳腺gydF4y2Ba 0.733gydF4y2Ba 0.523gydF4y2Ba 0.610gydF4y2Ba 0.846gydF4y2Ba 0.545gydF4y2Ba 0.663gydF4y2Ba 0.808gydF4y2Ba 0.491gydF4y2Ba 0.610gydF4y2Ba 0.852gydF4y2Ba 0.532gydF4y2Ba 0.653gydF4y2Ba
乳腺癌gydF4y2Ba 0.972gydF4y2Ba 0.359gydF4y2Ba 0.501gydF4y2Ba 0.914gydF4y2Ba 0.343gydF4y2Ba 0.499gydF4y2Ba 0.942gydF4y2Ba 0.327gydF4y2Ba 0.485gydF4y2Ba 0.925gydF4y2Ba 0.324gydF4y2Ba 0.480gydF4y2Ba
皮马印第安人gydF4y2Ba 0.393gydF4y2Ba 0.181gydF4y2Ba 0.246gydF4y2Ba 0.903gydF4y2Ba 0.750gydF4y2Ba 0.819gydF4y2Ba 0.633gydF4y2Ba 0.263gydF4y2Ba 0.368gydF4y2Ba 0.936gydF4y2Ba 0.723gydF4y2Ba 0.815gydF4y2Ba
由这些gydF4y2Ba 0.683gydF4y2Ba 0.706gydF4y2Ba 0.673gydF4y2Ba 0.781gydF4y2Ba 0.754gydF4y2Ba 0.751gydF4y2Ba 0.750gydF4y2Ba 0.751gydF4y2Ba 0.734gydF4y2Ba 0.801gydF4y2Ba 0.758gydF4y2Ba 0.756gydF4y2Ba
甲状腺gydF4y2Ba 0.953gydF4y2Ba 0.751gydF4y2Ba 0.803gydF4y2Ba 0.915gydF4y2Ba 0.868gydF4y2Ba 0.875gydF4y2Ba 0.933gydF4y2Ba 0.831gydF4y2Ba 0.863gydF4y2Ba 0.932gydF4y2Ba 0.944gydF4y2Ba 0.933gydF4y2Ba
《泰坦尼克号》gydF4y2Ba 0.762gydF4y2Ba 0.389gydF4y2Ba 0.512gydF4y2Ba 0.781gydF4y2Ba 0.681gydF4y2Ba 0.728gydF4y2Ba 0.840gydF4y2Ba 0.324gydF4y2Ba 0.465gydF4y2Ba 0.816gydF4y2Ba 0.686gydF4y2Ba 0.740gydF4y2Ba
酒gydF4y2Ba 0.9155gydF4y2Ba 0.9289gydF4y2Ba 0.9186gydF4y2Ba 0.9361gydF4y2Ba 0.9419gydF4y2Ba 0.9359gydF4y2Ba 0.8512gydF4y2Ba 0.9437gydF4y2Ba 0.9363gydF4y2Ba 0.9629gydF4y2Ba 0.9544gydF4y2Ba 0.9569gydF4y2Ba
哈伯曼gydF4y2Ba 0.6233gydF4y2Ba 0.0807gydF4y2Ba 0.1417gydF4y2Ba 0.635gydF4y2Ba 0.0699gydF4y2Ba 0.1245gydF4y2Ba 0.7014gydF4y2Ba 0.074gydF4y2Ba 0.132gydF4y2Ba 0.5233gydF4y2Ba 0.0308gydF4y2Ba 0.0576gydF4y2Ba
输血gydF4y2Ba 0.5015gydF4y2Ba 0.0839gydF4y2Ba 0.0574gydF4y2Ba 0.7283gydF4y2Ba 0.9923gydF4y2Ba 0.8703gydF4y2Ba 0.129gydF4y2Ba 0.1015gydF4y2Ba 0.1011gydF4y2Ba 0.8105gydF4y2Ba 0.9741gydF4y2Ba 0.8843gydF4y2Ba

P:精度;R:召回;FM: f-measure。gydF4y2Ba

在表中gydF4y2Ba 2gydF4y2Ba和gydF4y2Ba 3gydF4y2Ba、分类精度、精密、召回和f-measure(坏的情况下,平均情况下,和最好的情况)等四种模式的安,NF, ANN-FR, NF-FR。很少有结果表gydF4y2Ba 2gydF4y2Ba和gydF4y2Ba 3gydF4y2Ba显示的结果提出了混合法(NF-FR)比其他方法低。一般来说,这种情况在任何机器学习模型。一个机器学习技术可能不是适合所有基准数据集或问题(按“没有免费的午餐定理”)的原则。因此,为了画一个广义性能指标,我们进行了各种统计方差分析测试等测试图基Dunnett测试,弗里德曼测试和河中沙洲过程。验证该模型与其他模型的性能,等统计分析方差分析测试,图基Dunnett测试,弗里德曼测试和河中沙洲过程在下一节。例如,在弗里德曼测试,四个模型的平均秩安如,ANN-FR, NF, NF-FR是基于分配等级(表计算gydF4y2Ba 4gydF4y2Ba在方程(),这是代表gydF4y2Ba 17gydF4y2Ba)。这个平均等级四个模型:安,ANN-FR, NF, NF-FR,可以计算和分配,{gydF4y2Ba RgydF4y2Ba4 = 4,gydF4y2Ba RgydF4y2Ba3 = 3,gydF4y2Ba RgydF4y2Ba2 = 1.9,gydF4y2Ba RgydF4y2Ba分别1 = 1.1}。基于这些排名,零假设测试。上述统计分析的结果还表明,提出的整体性能NF-FR模型是静态显著不同,比其他模型。这意味着我们建议的模型可能不适合一些病例,但适用于许多数据集。在同样的方式,我们已经测试了方差分析,图基,和Dunnett测试,我们建议的模型的性能被发现明显更好的与其他模型相比。gydF4y2Ba

弗里德曼的排名基于平均分类精度的模型。gydF4y2Ba

数据/模型gydF4y2Ba 安gydF4y2Ba NFgydF4y2Ba ANN-FRgydF4y2Ba NF-FRgydF4y2Ba
虹膜gydF4y2Ba 91.56 (4)gydF4y2Ba 92.63 (3)gydF4y2Ba 94.02 (2)gydF4y2Ba 95.15 (1)gydF4y2Ba
乳房摄影质量gydF4y2Ba 79.21 (4)gydF4y2Ba 84.19 (3)gydF4y2Ba 84.50 (2)gydF4y2Ba 85.31 (1)gydF4y2Ba
乳腺癌的威斯康辛州gydF4y2Ba 91.07 (4)gydF4y2Ba 93.98 (3)gydF4y2Ba 95.39 (1)gydF4y2Ba 95.04 (2)gydF4y2Ba
皮马印第安人糖尿病gydF4y2Ba 72.96 (4)gydF4y2Ba 78.78 (3)gydF4y2Ba 81.66 (2)gydF4y2Ba 82.55 (1)gydF4y2Ba
由这些gydF4y2Ba 66.34 (4)gydF4y2Ba 73.85 (3)gydF4y2Ba 75.20 (2)gydF4y2Ba 77.15 (1)gydF4y2Ba
甲状腺gydF4y2Ba 86.76 (4)gydF4y2Ba 92.01 (3)gydF4y2Ba 92.53 (2)gydF4y2Ba 95.60 (1)gydF4y2Ba
《泰坦尼克号》gydF4y2Ba 77.64 (4)gydF4y2Ba 79.25 (3)gydF4y2Ba 80.54 (2)gydF4y2Ba 81.47 (1)gydF4y2Ba
酒gydF4y2Ba 91.24 (4)gydF4y2Ba 93.1 (3)gydF4y2Ba 93.94 (2)gydF4y2Ba 95.59 (1)gydF4y2Ba
哈伯曼gydF4y2Ba 75.42 (4)gydF4y2Ba 78.05 (3)gydF4y2Ba 80.29 (2)gydF4y2Ba 81.02 (1)gydF4y2Ba
输血服务gydF4y2Ba 75.86 (4)gydF4y2Ba 76.79 (3)gydF4y2Ba 80.14 (2)gydF4y2Ba 80.22 (1)gydF4y2Ba
弗里德曼的排名gydF4y2Ba 4gydF4y2Ba 3gydF4y2Ba 1。9gydF4y2Ba 1。1gydF4y2Ba

在这个实验中,一些参数被认为是在设计过程的模型。模糊扩张、神经元数量的输入和输出神经元数10个数据集展示在表gydF4y2Ba 5gydF4y2Ba。使用的隐层数量是1,和隐层神经元的数量计算通过使用方程(gydF4y2Ba 9gydF4y2Ba所有的模型。所有模型的学习速率是0.76。FR的过程,减少维度的主成分是5%的原始数据。gydF4y2Ba

参数的模型。gydF4y2Ba

数据集gydF4y2Ba 模糊扩张gydF4y2Ba 不。输入神经元的gydF4y2Ba 不。输出神经元的gydF4y2Ba
虹膜gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 3gydF4y2Ba
乳腺gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba
乳腺癌gydF4y2Ba 2gydF4y2Ba 9gydF4y2Ba 2gydF4y2Ba
皮马印第安人gydF4y2Ba 2gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba
由这些gydF4y2Ba 3gydF4y2Ba 6gydF4y2Ba 3gydF4y2Ba
甲状腺gydF4y2Ba 3gydF4y2Ba 6gydF4y2Ba 3gydF4y2Ba
《泰坦尼克号》gydF4y2Ba 2gydF4y2Ba 14gydF4y2Ba 2gydF4y2Ba
酒gydF4y2Ba 3gydF4y2Ba 14gydF4y2Ba 3gydF4y2Ba
哈伯曼gydF4y2Ba 2gydF4y2Ba 4gydF4y2Ba 2gydF4y2Ba
输血服务gydF4y2Ba 2gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba

模型描述的复杂性如何有效的提议NF-FR模型。该模型由三个组件,比如模糊化,功能降低,和安分类。模糊化步骤需要持续的时间为初始化的初始参数gydF4y2Ba OgydF4y2Ba 1gydF4y2Ba 时间,为每个特性,模糊化过程扩展特征空间到相应fuzzified特征空间基于可用的类标签的数据集gydF4y2Ba OgydF4y2Ba ngydF4y2Ba ×gydF4y2Ba CgydF4y2Ba 次了。在这里,gydF4y2Ba ngydF4y2Ba 的特性和数量吗gydF4y2Ba CgydF4y2Ba 在数据集的类标签的数量。的所有实例所需的总时间模糊化需要的数据集gydF4y2Ba OgydF4y2Ba ngydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba 次了。在这里,gydF4y2Ba 米gydF4y2Ba在数据集实例的数量。在特性减少步骤中,特征值和特征向量的计算需要gydF4y2Ba OgydF4y2Ba 1gydF4y2Ba 时间和协方差矩阵需要gydF4y2Ba OgydF4y2Ba 问gydF4y2Ba ×gydF4y2Ba 问gydF4y2Ba 次,gydF4y2Ba 问gydF4y2Ba fuzzified特性集。因此,减少功能步骤要求gydF4y2Ba OgydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba 时间。最后,ANN-BPN步骤由前馈和反向传播步骤gydF4y2Ba OgydF4y2Ba ngydF4y2Ba 2gydF4y2Ba 和gydF4y2Ba OgydF4y2Ba ngydF4y2Ba 4gydF4y2Ba ,分别。所以,总模型的复杂性gydF4y2Ba OgydF4y2Ba ngydF4y2Ba ×gydF4y2Ba CgydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba +gydF4y2Ba 问gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba ngydF4y2Ba 4gydF4y2Ba 。gydF4y2Ba

 5。统计分析的结果gydF4y2Ba

统计分析是一个众所周知的方法来分析各种模型的性能与多个数据集。一般来说,不同的统计工具是用来分析数据和算法的本质。在本节中,统计分析(gydF4y2Ba 59gydF4y2Ba]随着所有的模型的比较在多个数据集。等统计检验方差分析(方差分析)测试gydF4y2Ba 60gydF4y2Ba),图基测试(gydF4y2Ba 61年gydF4y2Ba),Dunnett测试(gydF4y2Ba 62年gydF4y2Ba),弗里德曼测试(gydF4y2Ba 63年gydF4y2Ba,gydF4y2Ba 64年gydF4y2Ba,事后测试(gydF4y2Ba 65年gydF4y2Ba,gydF4y2Ba 66年gydF4y2Ba)被用来证明该分类算法比其他现有的分类算法更有效。它会发现最好的分类算法在一组分类算法根据特定的测量参数。gydF4y2Ba

5.1。方差分析测试gydF4y2Ba

方差分析(gydF4y2Ba 60gydF4y2Ba)是一种参数统计方法使用不同模型之间的比较。它通常比较均值和相对方差不同模型的性能。这种方法适用于当两个以上的模型是相对于不同的数据集。方差分析使用一个零假设和备择假设。零假设是有效的只有当表演的所有模型都是平等或没有显著差异在这些模型。另外,备择假设是有效的只有当任何一个模型不同于其他的模型。单向方差分析测试一直在进行SPSS(16.0版)有95%信心间隔,和表中给出的结果是gydF4y2Ba 6gydF4y2Ba和gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

方差分析和描述性统计测试。gydF4y2Ba

模型gydF4y2Ba NgydF4y2Ba 的意思是gydF4y2Ba Std.偏差gydF4y2Ba Std.错误gydF4y2Ba 95%置信区间的意思gydF4y2Ba 最低gydF4y2Ba 最大gydF4y2Ba
下界gydF4y2Ba 上界gydF4y2Ba
安gydF4y2Ba 10gydF4y2Ba 80.806gydF4y2Ba 8.83292gydF4y2Ba 2.79321gydF4y2Ba 74.4873gydF4y2Ba 87.1247gydF4y2Ba 66.34gydF4y2Ba 91.56gydF4y2Ba
NFgydF4y2Ba 10gydF4y2Ba 84.263gydF4y2Ba 7.89241gydF4y2Ba 2.4958gydF4y2Ba 78.6171gydF4y2Ba 89.9089gydF4y2Ba 73.85gydF4y2Ba 93.98gydF4y2Ba
ANN-FRgydF4y2Ba 10gydF4y2Ba 85.821gydF4y2Ba 7.39622gydF4y2Ba 2.33889gydF4y2Ba 80.5301gydF4y2Ba 91.1119gydF4y2Ba 75.2gydF4y2Ba 95.39gydF4y2Ba
NF-FRgydF4y2Ba 10gydF4y2Ba 86.91gydF4y2Ba 7.53305gydF4y2Ba 2.38216gydF4y2Ba 81.5212gydF4y2Ba 92.2988gydF4y2Ba 77.15gydF4y2Ba 95.6gydF4y2Ba
总gydF4y2Ba 40gydF4y2Ba 84.45gydF4y2Ba 7.97159gydF4y2Ba 1.26042gydF4y2Ba 81.9006gydF4y2Ba 86.9994gydF4y2Ba 66.34gydF4y2Ba 95.6gydF4y2Ba

方差分析测试与均方和平方和。gydF4y2Ba

平方和gydF4y2Ba dgydF4y2Ba fgydF4y2Ba 均方gydF4y2Ba FgydF4y2Ba 团体。gydF4y2Ba
团体之间gydF4y2Ba (结合)gydF4y2Ba 212.449gydF4y2Ba 3gydF4y2Ba 70.816gydF4y2Ba 1.125gydF4y2Ba 0.352gydF4y2Ba
线性项gydF4y2Ba 对比gydF4y2Ba 197.408gydF4y2Ba 1gydF4y2Ba 197.408gydF4y2Ba 3.136gydF4y2Ba 0.085gydF4y2Ba
偏差gydF4y2Ba 15.041gydF4y2Ba 2gydF4y2Ba 7.521gydF4y2Ba 0.119gydF4y2Ba 0.888gydF4y2Ba
二次项gydF4y2Ba 对比gydF4y2Ba 14.019gydF4y2Ba 1gydF4y2Ba 14.019gydF4y2Ba 0.223gydF4y2Ba 0.64gydF4y2Ba
偏差gydF4y2Ba 1.022gydF4y2Ba 1gydF4y2Ba 1.022gydF4y2Ba 0.016gydF4y2Ba 0.899gydF4y2Ba
群体内部gydF4y2Ba 2265.856gydF4y2Ba 36gydF4y2Ba 62.94gydF4y2Ba
总gydF4y2Ba 2478.305gydF4y2Ba 39gydF4y2Ba
5.2。图基和Dunnett测试gydF4y2Ba

拒绝零假设,图基测试(gydF4y2Ba 61年gydF4y2Ba)和Dunnett测试(gydF4y2Ba 62年gydF4y2Ba)进行。在图基测试中,每一个模型的性能的比较与其他模型相比,但Dunnett测试比较每个模型和该模型的性能。这个测试的对照组id NF-FR与安等不同的模型相比,ANN-FR和NF。图基和Dunnett测试的结果是在桌子上gydF4y2Ba 8gydF4y2Ba。一群均匀模型基于他们的意义提出了表gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

图基测试和Dunnett测试。gydF4y2Ba

(我)算法gydF4y2Ba (J)算法gydF4y2Ba 平均差(i j)gydF4y2Ba Std.错误gydF4y2Ba 团体。gydF4y2Ba 95%置信区间gydF4y2Ba
下界gydF4y2Ba 上界gydF4y2Ba
图基HSDgydF4y2Ba 安gydF4y2Ba NFgydF4y2Ba −3.457gydF4y2Ba 3.54797gydF4y2Ba 0.765gydF4y2Ba −13.0125gydF4y2Ba 6.0985gydF4y2Ba
ANN-FRgydF4y2Ba −5.015gydF4y2Ba 3.54797gydF4y2Ba 0.499gydF4y2Ba −14.5705gydF4y2Ba 4.5405gydF4y2Ba
NF-FRgydF4y2Ba −6.104gydF4y2Ba 3.54797gydF4y2Ba 0.328gydF4y2Ba −15.6595gydF4y2Ba 3.4515gydF4y2Ba
NFgydF4y2Ba 安gydF4y2Ba 3.457gydF4y2Ba 3.54797gydF4y2Ba 0.765gydF4y2Ba −6.0985gydF4y2Ba 13.0125gydF4y2Ba
ANN-FRgydF4y2Ba −1.558gydF4y2Ba 3.54797gydF4y2Ba 0.971gydF4y2Ba −11.1135gydF4y2Ba 7.9975gydF4y2Ba
NF-FRgydF4y2Ba −2.647gydF4y2Ba 3.54797gydF4y2Ba 0.878gydF4y2Ba −12.2025gydF4y2Ba 6.9085gydF4y2Ba
ANN-FRgydF4y2Ba 安gydF4y2Ba 5.015gydF4y2Ba 3.54797gydF4y2Ba 0.499gydF4y2Ba −4.5405gydF4y2Ba 14.5705gydF4y2Ba
NFgydF4y2Ba 1.558gydF4y2Ba 3.54797gydF4y2Ba 0.971gydF4y2Ba −7.9975gydF4y2Ba 11.1135gydF4y2Ba
NF-FRgydF4y2Ba −1.089gydF4y2Ba 3.54797gydF4y2Ba 0.99gydF4y2Ba −10.6445gydF4y2Ba 8.4665gydF4y2Ba
NF-FRgydF4y2Ba 安gydF4y2Ba 6.104gydF4y2Ba 3.54797gydF4y2Ba 0.328gydF4y2Ba −3.4515gydF4y2Ba 15.6595gydF4y2Ba
NFgydF4y2Ba 2.647gydF4y2Ba 3.54797gydF4y2Ba 0.878gydF4y2Ba −6.9085gydF4y2Ba 12.2025gydF4y2Ba
ANN-FRgydF4y2Ba 1.089gydF4y2Ba 3.54797gydF4y2Ba 0.99gydF4y2Ba −8.4665gydF4y2Ba 10.6445gydF4y2Ba
DunnettgydF4y2Ba tgydF4y2Ba(双向)gydF4y2Ba一个gydF4y2Ba 安gydF4y2Ba NF-FRgydF4y2Ba −6.104gydF4y2Ba 3.54797gydF4y2Ba 0.221gydF4y2Ba −14.8041gydF4y2Ba 2.5961gydF4y2Ba
NFgydF4y2Ba NF-FRgydF4y2Ba −2.647gydF4y2Ba 3.54797gydF4y2Ba 0.798gydF4y2Ba −11.3471gydF4y2Ba 6.0531gydF4y2Ba
ANN-FRgydF4y2Ba NF-FRgydF4y2Ba −1.089gydF4y2Ba 3.54797gydF4y2Ba 0.98gydF4y2Ba −9.7891gydF4y2Ba 7.6111gydF4y2Ba

显示方式组织均匀的子集。gydF4y2Ba一个gydF4y2BaDunnettgydF4y2Ba tgydF4y2Ba测试对一组作为对照和比较其他团体反对它。gydF4y2Ba

同构群模型基于他们的意义。gydF4y2Ba

算法gydF4y2Ba NgydF4y2Ba α= 0.05的子集gydF4y2Ba
1gydF4y2Ba
图基HSDgydF4y2Ba一个gydF4y2Ba 安gydF4y2Ba 10gydF4y2Ba 80.806gydF4y2Ba
NFgydF4y2Ba 10gydF4y2Ba 84.263gydF4y2Ba
ANN-FRgydF4y2Ba 10gydF4y2Ba 85.821gydF4y2Ba
NF-FRgydF4y2Ba 10gydF4y2Ba 86.91gydF4y2Ba
团体。gydF4y2Ba 0.328gydF4y2Ba
邓肯gydF4y2Ba一个gydF4y2Ba 安gydF4y2Ba 10gydF4y2Ba 80.806gydF4y2Ba
NFgydF4y2Ba 10gydF4y2Ba 84.263gydF4y2Ba
ANN-FRgydF4y2Ba 10gydF4y2Ba 85.821gydF4y2Ba
NF-FRgydF4y2Ba 10gydF4y2Ba 86.91gydF4y2Ba
团体。gydF4y2Ba 0.124gydF4y2Ba

一个gydF4y2Ba使用谐波意味着样本大小= 10.000。gydF4y2Ba

 5.3。弗里德曼测试gydF4y2Ba

弗里德曼测试(gydF4y2Ba 63年gydF4y2Ba,gydF4y2Ba 64年gydF4y2Ba)是一种非参数统计方法开发的m·弗里德曼。它是用来找出不同模型之间的差异通过分配一定的排名结果值在表表示gydF4y2Ba 4gydF4y2Ba。的平均排名算法可以通过使用下面的方程,计算gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 的排名gydF4y2Ba jgydF4y2Ba thgydF4y2Ba 模型gydF4y2Ba 我gydF4y2Ba thgydF4y2Ba 数据集和gydF4y2Ba NgydF4y2Ba 是数据集的数量:gydF4y2Ba (17)gydF4y2Ba RgydF4y2Ba jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 。gydF4y2Ba

四个模型的平均排名:安,ANN-FR, NF, NF-FR计算是基于分配等级,反映在方程(gydF4y2Ba 17gydF4y2Ba)。这个平均等级四个模型:安,ANN-FR NF, NF-FR可以表示为{gydF4y2Ba RgydF4y2Ba4 = 4,gydF4y2Ba RgydF4y2Ba3 = 3,gydF4y2Ba RgydF4y2Ba2 = 1.9,gydF4y2Ba RgydF4y2Ba分别1 = 1.1}。的价值gydF4y2Ba XgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba 计算平均排名gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba ,可以实现由以下方程(gydF4y2Ba 18gydF4y2Ba),gydF4y2Ba NgydF4y2Ba 数据集的数量和吗gydF4y2Ba 米gydF4y2Ba 的数量模型。在这种情况下,价值的gydF4y2Ba XgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba 48.2:gydF4y2Ba (18)gydF4y2Ba XgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 12gydF4y2Ba NgydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba RgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba −gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 4gydF4y2Ba 。gydF4y2Ba

弗里德曼的统计数据gydF4y2Ba FgydF4y2Ba FgydF4y2Ba 测量是通过使用gydF4y2Ba XgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba 与gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 自由度,可以实现在方程(gydF4y2Ba 19gydF4y2Ba)。临界值(gydF4y2Ba 64年gydF4y2Ba)可以从弗里德曼获得统计数据gydF4y2Ba FgydF4y2Ba FgydF4y2Ba 与gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba NgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 自由度。在这种方法中,模型的四个数字gydF4y2Ba 米gydF4y2Ba 十多的数据集gydF4y2Ba NgydF4y2Ba 使用。在这种情况下,弗里德曼统计数据的价值gydF4y2Ba FgydF4y2Ba FgydF4y2Ba 是241的四个数字模型和十个数字的数据集:gydF4y2Ba (19)gydF4y2Ba FgydF4y2Ba FgydF4y2Ba =gydF4y2Ba NgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba XgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba NgydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba XgydF4y2Ba FgydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

模型的性能是不同的,如果相应的平均排名至少关键差异不同。临界计算价值为4.6(4−1 = 3)和(4)−1 = 3)×(10−1 = 9)自由度和显著性水平gydF4y2Ba αgydF4y2Ba= 0.01。获得密度图,如图gydF4y2Ba 6gydF4y2Ba与一个自由度(27)。有人指出零假设被拒绝作为关键值(4.6)小于弗里德曼统计(gydF4y2Ba FgydF4y2Ba FgydF4y2Ba =gydF4y2Ba 241年gydF4y2Ba )。事后测试实验进行了利用河中沙洲过程,之后拒绝零假设。gydF4y2Ba

密度图。gydF4y2Ba

 5.4。河中沙洲过程gydF4y2Ba

这河中沙洲程序(gydF4y2Ba 65年gydF4y2Ba- - - - - -gydF4y2Ba 67年gydF4y2Ba)计算每个个体的性能模型与其他模型通过使用z值gydF4y2Ba pgydF4y2Ba 价值。的gydF4y2Ba zgydF4y2Ba值计算通过使用方程(gydF4y2Ba 20.gydF4y2Ba),gydF4y2Ba pgydF4y2Ba 值的计算gydF4y2Ba zgydF4y2Ba相应的价值和正态分布表:gydF4y2Ba (20)gydF4y2Ba zgydF4y2Ba =gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba RgydF4y2Ba jgydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 6gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 米gydF4y2Ba 模型的数量,gydF4y2Ba zgydF4y2Ba 是gydF4y2Ba zgydF4y2Ba得分值,gydF4y2Ba NgydF4y2Ba 是数据集的数量。的平均排名gydF4y2Ba 我gydF4y2Ba thgydF4y2Ba 和gydF4y2Ba jgydF4y2Ba thgydF4y2Ba 模型用gydF4y2Ba RgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba RgydF4y2Ba jgydF4y2Ba ,分别。所有这三个模型相比,该模型的基础上gydF4y2Ba zgydF4y2Ba值,gydF4y2Ba pgydF4y2Ba 价值,gydF4y2Ba αgydF4y2Ba /gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 我gydF4y2Ba ,结果在表表示gydF4y2Ba 10gydF4y2Ba。在这里,我们注意到,在几乎所有的情况下,gydF4y2Ba pgydF4y2Ba 值小于gydF4y2Ba αgydF4y2Ba /gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 我gydF4y2Ba 通过使用河中沙洲测试。因此,结果表明,零假设被拒绝。因此,它表明该模型NF-FR统计上显著不同,比其他分类模型。gydF4y2Ba

Holm统计检验的结果。gydF4y2Ba

模型gydF4y2Ba 模型gydF4y2Ba zgydF4y2Ba值gydF4y2Ba pgydF4y2Ba 值gydF4y2Ba αgydF4y2Ba /gydF4y2Ba 米gydF4y2Ba −gydF4y2Ba 我gydF4y2Ba
1gydF4y2Ba NF-FR:安gydF4y2Ba 5.02gydF4y2Ba 2.584871 e -gydF4y2Ba 0.0033gydF4y2Ba
2gydF4y2Ba NF-FR: ANN-FRgydF4y2Ba 3.29gydF4y2Ba 0.000501gydF4y2Ba 0.005gydF4y2Ba
3gydF4y2Ba NF-FR: NFgydF4y2Ba 1.38gydF4y2Ba 0.083793gydF4y2Ba 0.01gydF4y2Ba
6。结论和未来的范围gydF4y2Ba

本文提出NF-FR模型成功地演示了解决数据挖掘的数据分类问题。最初,该模型使用的模糊化过程输入功能的扩张来说归属感的特性提供各种类来处理不精确和不确定性问题。由于模型结构的扩张特性,成为大规模并行,还发现,所有的功能可能不会对模型作出了重大贡献。在下一步中,主成分分析应用于减少的尺寸扩大通过选择最合适的相关特性和nonredundant特性。结果,该模型的学习时间也减少了与所选的相关特性。然而,一个特定Π-type隶属函数考虑模糊化过程可能并不总是适合整个数据集。在这种情况下,选择合适的隶属度函数可能会考虑数据分析。根据实验分析,该方法能够分类数据集与分类性能优越而安,NF, ANN-FR模型。统计分析后,发现该NF-FR模型是有效的和高效的比安,NF, ANN-FR模型。在未来,这个模型可以用于各种现实问题,如基因表达分类、文档分类和卫星图像分类。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的结果都包含在gydF4y2Ba 第四节gydF4y2Ba在这篇文章。我们已经使用十基准数据集来自UCI机器学习库。详细描述所有这些数据集可以找到“gydF4y2Ba http://archive.ics.uci.edu/ml/gydF4y2Ba”和“gydF4y2Ba http://keel.es/gydF4y2Ba。”

 信息披露gydF4y2Ba

这项研究并不是由任何研究机构。gydF4y2Ba

 的利益冲突gydF4y2Ba

所有作者声明没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

本研究工作得到了科学和工程研究委员会(塞尔维亚),科技部(DST),新德里,印度政府研究项目资助下批准订单。EEQ / 2017/000355。gydF4y2Ba

 米奇gydF4y2Ba D。gydF4y2Ba 斯皮格尔霍尔特gydF4y2Ba d . J。gydF4y2Ba 泰勒gydF4y2Ba C . C。gydF4y2Ba 机器学习。神经和统计分类gydF4y2Ba 1994年gydF4y2Ba 13gydF4y2Ba 赫默尔亨普斯特德,英国gydF4y2Ba 艾利斯霍尔伍德中校gydF4y2Ba 杜达gydF4y2Ba r . O。gydF4y2Ba 哈特gydF4y2Ba p E。gydF4y2Ba 鹳gydF4y2Ba d·G。gydF4y2Ba 模式分类gydF4y2Ba 2012年gydF4y2Ba 美国新泽西州霍博肯gydF4y2Ba 约翰威利& SonsgydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 奈克gydF4y2Ba B。gydF4y2Ba BeheragydF4y2Ba h·S。gydF4y2Ba 机器学习分类算法的实验分析生物医学数据gydF4y2Ba 第二届国际会议上沟通,设备和计算gydF4y2Ba 2020年gydF4y2Ba 新加坡gydF4y2Ba 施普林格gydF4y2Ba 525年gydF4y2Ba 539年gydF4y2Ba SahoogydF4y2Ba 答:K。gydF4y2Ba 普拉丹gydF4y2Ba C。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 绩效评估不同的机器学习方法和基于深度学习的卷积神经网络对健康决策gydF4y2Ba 自然启发科学计算数据gydF4y2Ba 2020年gydF4y2Ba 可汗、瑞士gydF4y2Ba 施普林格gydF4y2Ba 201年gydF4y2Ba 212年gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 奈克gydF4y2Ba B。gydF4y2Ba BeheragydF4y2Ba h·S。gydF4y2Ba 疾病分类分析使用去噪和特征提取模型gydF4y2Ba 医学信息学解锁gydF4y2Ba 2020年gydF4y2Ba 18gydF4y2Ba 100288年gydF4y2Ba 10.1016 / j.imu.2019.100288gydF4y2Ba 耆那教徒的gydF4y2Ba 答:K。gydF4y2Ba MurtygydF4y2Ba m . N。gydF4y2Ba 弗林gydF4y2Ba p . J。gydF4y2Ba 数据聚类:审查gydF4y2Ba ACM计算调查gydF4y2Ba 1999年gydF4y2Ba 31日gydF4y2Ba 3gydF4y2Ba 264年gydF4y2Ba 323年gydF4y2Ba 10.1145/331499.331504gydF4y2Ba 2 - s2.0 - 84893405732gydF4y2Ba MakhoulgydF4y2Ba J。gydF4y2Ba 线性预测:一个教程gydF4y2Ba IEEE学报》gydF4y2Ba 1975年gydF4y2Ba 63年gydF4y2Ba 4gydF4y2Ba 561年gydF4y2Ba 580年gydF4y2Ba 10.1109 / proc.1975.9792gydF4y2Ba 2 - s2.0 - 0016495091gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 戴伊gydF4y2Ba N。gydF4y2Ba 红晶石gydF4y2Ba 诉E。gydF4y2Ba 为大规模的传感器数据实时数据分析gydF4y2Ba 2019年gydF4y2Ba 美国剑桥,马gydF4y2Ba 学术出版社gydF4y2Ba KhoshbingydF4y2Ba F。gydF4y2Ba BonakdarigydF4y2Ba H。gydF4y2Ba 阿什拉夫TaleshgydF4y2Ba s . H。gydF4y2Ba EbtehajgydF4y2Ba 我。gydF4y2Ba ZajigydF4y2Ba a . H。gydF4y2Ba 阿兹米gydF4y2Ba H。gydF4y2Ba 自适应神经模糊推理系统多目标优化使用遗传算法/奇异值分解方法模拟矩形锐顶侧堰流量系数gydF4y2Ba 工程优化gydF4y2Ba 2016年gydF4y2Ba 48gydF4y2Ba 6gydF4y2Ba 933年gydF4y2Ba 948年gydF4y2Ba 10.1080 / 0305215 x.2015.1071807gydF4y2Ba 2 - s2.0 - 84939161761gydF4y2Ba 日元gydF4y2Ba 诉T。gydF4y2Ba 王gydF4y2Ba y . N。gydF4y2Ba CuonggydF4y2Ba p V。gydF4y2Ba 复发性模糊小波神经网络基于鲁棒自适应滑模控制对工业机器人机械手gydF4y2Ba 神经计算和应用gydF4y2Ba 2019年gydF4y2Ba 31日gydF4y2Ba 11gydF4y2Ba 6925年gydF4y2Ba 6958年gydF4y2Ba 10.1007 / s00521 - 018 - 3520 - 3gydF4y2Ba 2 - s2.0 - 85047164042gydF4y2Ba 克瓦斯尼克gydF4y2Ba b . H。gydF4y2Ba 分类的作用在知识表示和发现gydF4y2Ba 图书馆的发展趋势gydF4y2Ba 1999年gydF4y2Ba 48gydF4y2Ba 1gydF4y2Ba 22gydF4y2Ba 47gydF4y2Ba 微积分gydF4y2Ba 年代。gydF4y2Ba 神经网络gydF4y2Ba 1994年gydF4y2Ba 2gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 新世纪gydF4y2Ba 尹gydF4y2Ba H。gydF4y2Ba LimgydF4y2Ba J。gydF4y2Ba LimgydF4y2Ba j·S。gydF4y2Ba 重构时间序列使用神经模糊系统入库单gydF4y2Ba 《智能与模糊系统gydF4y2Ba 2015年gydF4y2Ba 29日gydF4y2Ba 6gydF4y2Ba 2751年gydF4y2Ba 2757年gydF4y2Ba 10.3233 / ifs - 151979gydF4y2Ba 2 - s2.0 - 84951734475gydF4y2Ba 李gydF4y2Ba M。gydF4y2Ba 李gydF4y2Ba S.-Y。gydF4y2Ba 公园gydF4y2Ba c . H。gydF4y2Ba 去噪的标识符和控制器gydF4y2Ba 智能和模糊系统杂志》上gydF4y2Ba 1994年gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 14gydF4y2Ba 10.3233 / ifs - 1994 - 2101gydF4y2Ba 2 - s2.0 - 84974753247gydF4y2Ba 枝gydF4y2Ba l。gydF4y2Ba 模糊集gydF4y2Ba 信息和控制gydF4y2Ba 1965年gydF4y2Ba 8gydF4y2Ba 3gydF4y2Ba 338年gydF4y2Ba 353年gydF4y2Ba 10.1016 / s0019 - 9958 (65) 90241 - xgydF4y2Ba 2 - s2.0 - 34248666540gydF4y2Ba 枝gydF4y2Ba l。gydF4y2Ba 枝gydF4y2Ba l。gydF4y2Ba 模糊集和信息粒度gydF4y2Ba 模糊集、模糊逻辑、模糊系统:选择文件gydF4y2Ba 1996年gydF4y2Ba 新加坡gydF4y2Ba 世界科学gydF4y2Ba 433年gydF4y2Ba 448年gydF4y2Ba 枝gydF4y2Ba l。gydF4y2Ba 对模糊信息造粒的理论及其在人类推理和模糊逻辑中心gydF4y2Ba 模糊集和系统gydF4y2Ba 1997年gydF4y2Ba 90年gydF4y2Ba 2gydF4y2Ba 111年gydF4y2Ba 127年gydF4y2Ba 10.1016 / s0165 - 0114 (97) 00077 - 8gydF4y2Ba 2 - s2.0 - 1642469977gydF4y2Ba 普拉丹gydF4y2Ba C。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 奈克gydF4y2Ba B。gydF4y2Ba 戴伊gydF4y2Ba N。gydF4y2Ba 手册关于信息安全的研究在生物医学信号处理gydF4y2Ba 2018年gydF4y2Ba 美国宾夕法尼亚州gydF4y2Ba IGI全球gydF4y2Ba 1gydF4y2Ba 414年gydF4y2Ba NayakgydF4y2Ba J。gydF4y2Ba 奈克gydF4y2Ba B。gydF4y2Ba 耶拿gydF4y2Ba 答:K。gydF4y2Ba BarikgydF4y2Ba r·K。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 来自大自然的灵感在云计算的优化:应用和挑战gydF4y2Ba 云计算的优化:基础、应用程序和挑战gydF4y2Ba 2018年gydF4y2Ba 可汗、瑞士gydF4y2Ba 施普林格gydF4y2Ba 1gydF4y2Ba 26gydF4y2Ba MishragydF4y2Ba b s P。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba DehurigydF4y2Ba 年代。gydF4y2Ba JagadevgydF4y2Ba 答:K。gydF4y2Ba 云计算的优化:基础、应用程序和挑战gydF4y2Ba 2018年gydF4y2Ba 39gydF4y2Ba 柏林,德国gydF4y2Ba 施普林格gydF4y2Ba 溃败gydF4y2Ba M。gydF4y2Ba 耶拿gydF4y2Ba 答:K。gydF4y2Ba 溃败gydF4y2Ba j·K。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 教学优化基于级联低汇率预测神经网络模型gydF4y2Ba 聪明的智能计算和应用gydF4y2Ba 2020年gydF4y2Ba 新加坡gydF4y2Ba 施普林格gydF4y2Ba 635年gydF4y2Ba 645年gydF4y2Ba 戴伊gydF4y2Ba N。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 奈克gydF4y2Ba B。gydF4y2Ba BeheragydF4y2Ba h·S。gydF4y2Ba 智能医疗管理大数据分析gydF4y2Ba 2019年gydF4y2Ba 美国剑桥,马gydF4y2Ba 学术出版社gydF4y2Ba SahoogydF4y2Ba 答:K。gydF4y2Ba MallikgydF4y2Ba 年代。gydF4y2Ba 普拉丹gydF4y2Ba C。gydF4y2Ba MishragydF4y2Ba b s P。gydF4y2Ba BarikgydF4y2Ba r·K。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 智力的健康推荐系统使用大数据分析gydF4y2Ba 智能医疗管理大数据分析gydF4y2Ba 2019年gydF4y2Ba 美国剑桥,马gydF4y2Ba 学术出版社gydF4y2Ba 227年gydF4y2Ba 246年gydF4y2Ba 戴伊gydF4y2Ba N。gydF4y2Ba AshourgydF4y2Ba 答:S。gydF4y2Ba 氧化钾gydF4y2Ba H。gydF4y2Ba Goswami炮轰道:gydF4y2Ba R。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 组织病理学在医学图像分析决策gydF4y2Ba 2019年gydF4y2Ba 美国宾夕法尼亚州gydF4y2Ba IGI全球gydF4y2Ba 1gydF4y2Ba 340年gydF4y2Ba 张成泽gydF4y2Ba js。R。gydF4y2Ba 简称ANFIS: adaptive-network-based模糊推理系统gydF4y2Ba IEEE系统,人,控制论gydF4y2Ba 1993年gydF4y2Ba 23gydF4y2Ba 3gydF4y2Ba 665年gydF4y2Ba 685年gydF4y2Ba 10.1109/21.256541gydF4y2Ba 2 - s2.0 - 0027601884gydF4y2Ba 戈什gydF4y2Ba 一个。gydF4y2Ba 乌玛·尚卡尔gydF4y2Ba B。gydF4y2Ba 默赫gydF4y2Ba 美国K。gydF4y2Ba 一种新的去噪方法分类gydF4y2Ba 神经网络gydF4y2Ba 2009年gydF4y2Ba 22gydF4y2Ba 1gydF4y2Ba One hundred.gydF4y2Ba 109年gydF4y2Ba 10.1016 / j.neunet.2008.09.011gydF4y2Ba 2 - s2.0 - 58249086998gydF4y2Ba 戈什gydF4y2Ba 年代。gydF4y2Ba BiswasgydF4y2Ba 年代。gydF4y2Ba SarkargydF4y2Ba D。gydF4y2Ba SarkargydF4y2Ba P P。gydF4y2Ba 一个新颖的神经模糊数据挖掘的分类技术gydF4y2Ba 埃及信息学杂志gydF4y2Ba 2014年gydF4y2Ba 15gydF4y2Ba 3gydF4y2Ba 129年gydF4y2Ba 147年gydF4y2Ba 10.1016 / j.eij.2014.08.001gydF4y2Ba 2 - s2.0 - 84927558995gydF4y2Ba 朋友gydF4y2Ba 美国K。gydF4y2Ba 密特拉gydF4y2Ba 年代。gydF4y2Ba 多层感知器、模糊集和分类gydF4y2Ba IEEE神经网络gydF4y2Ba 1992年gydF4y2Ba 3gydF4y2Ba 5gydF4y2Ba 683年gydF4y2Ba 697年gydF4y2Ba 10.1109/72.159058gydF4y2Ba 2 - s2.0 - 0026927426gydF4y2Ba 阿扎尔的gydF4y2Ba a . T。gydF4y2Ba HassaniengydF4y2Ba 答:E。gydF4y2Ba 降维的医疗大数据用模糊分类器gydF4y2Ba 软计算gydF4y2Ba 2015年gydF4y2Ba 19gydF4y2Ba 4gydF4y2Ba 1115年gydF4y2Ba 1127年gydF4y2Ba 10.1007 / s00500 - 014 - 1327 - 4gydF4y2Ba 2 - s2.0 - 84925289085gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 耶拿gydF4y2Ba 答:K。gydF4y2Ba NayakgydF4y2Ba J。gydF4y2Ba 奈克gydF4y2Ba B。gydF4y2Ba BeheragydF4y2Ba h·S。gydF4y2Ba 一种新颖的基于PSO反向传播learning-MLP (PSO-BP-MLP)分类gydF4y2Ba 计算智能数据挖掘gydF4y2Ba 2015年gydF4y2Ba 2gydF4y2Ba 新德里,印度gydF4y2Ba 施普林格gydF4y2Ba 461年gydF4y2Ba 471年gydF4y2Ba 萨哈尼gydF4y2Ba R。gydF4y2Ba 溃败gydF4y2Ba C。gydF4y2Ba BadajenagydF4y2Ba j . C。gydF4y2Ba 耶拿gydF4y2Ba 答:K。gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 使用数据挖掘技术的入侵检测分类gydF4y2Ba 进步计算、分析和网络gydF4y2Ba 2018年gydF4y2Ba 新加坡gydF4y2Ba 施普林格gydF4y2Ba 753年gydF4y2Ba 764年gydF4y2Ba 达斯gydF4y2Ba H。gydF4y2Ba 奈克gydF4y2Ba B。gydF4y2Ba BeheragydF4y2Ba h·S。gydF4y2Ba 糖尿病疾病的分类(DMD):数据挖掘(DM)的方法gydF4y2Ba 进步计算、分析和网络gydF4y2Ba 2018年gydF4y2Ba 新加坡gydF4y2Ba 施普林格gydF4y2Ba 539年gydF4y2Ba 549年gydF4y2Ba 史密斯gydF4y2Ba l . I。gydF4y2Ba 主成分分析教程gydF4y2Ba 2002年gydF4y2Ba http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdfgydF4y2Ba 冰斗gydF4y2Ba 年代。gydF4y2Ba 达斯gydF4y2Ba 年代。gydF4y2Ba 戈什gydF4y2Ba p K。gydF4y2Ba 神经模糊系统的应用程序:一个简短的回顾和未来的轮廓gydF4y2Ba 应用软计算gydF4y2Ba 2014年gydF4y2Ba 15gydF4y2Ba 243年gydF4y2Ba 259年gydF4y2Ba 10.1016 / j.asoc.2013.10.014gydF4y2Ba 2 - s2.0 - 84890285896gydF4y2Ba 默赫gydF4y2Ba 美国K。gydF4y2Ba 有效的与神经模糊网络模式分类模型gydF4y2Ba 软计算gydF4y2Ba 2017年gydF4y2Ba 21gydF4y2Ba 12gydF4y2Ba 3317年gydF4y2Ba 3334年gydF4y2Ba 10.1007 / s00500 - 015 - 2010 - 0gydF4y2Ba 2 - s2.0 - 84953388682gydF4y2Ba ViharosgydF4y2Ba z . J。gydF4y2Ba 克义斯gydF4y2Ba k B。gydF4y2Ba 调查神经模糊系统及其应用技术诊断和测量gydF4y2Ba 测量gydF4y2Ba 2015年gydF4y2Ba 67年gydF4y2Ba 126年gydF4y2Ba 136年gydF4y2Ba 10.1016 / j.measurement.2015.02.001gydF4y2Ba 2 - s2.0 - 84925382212gydF4y2Ba ShihabudheengydF4y2Ba k V。gydF4y2Ba 皮拉伊gydF4y2Ba g . N。gydF4y2Ba 神经模糊系统的最新进展:一项调查gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2018年gydF4y2Ba 152年gydF4y2Ba 136年gydF4y2Ba 162年gydF4y2Ba 10.1016 / j.knosys.2018.04.014gydF4y2Ba 2 - s2.0 - 85046126289gydF4y2Ba 达斯gydF4y2Ba 答:K。gydF4y2Ba PratihargydF4y2Ba d·K。gydF4y2Ba 一种新颖的基于神经模糊系统的多目标优化方法来捕捉工程过程中固有的模糊性gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2019年gydF4y2Ba 175年gydF4y2Ba 1gydF4y2Ba 11gydF4y2Ba 10.1016 / j.knosys.2019.03.017gydF4y2Ba 2 - s2.0 - 85063098556gydF4y2Ba ŠkrjancgydF4y2Ba 我。gydF4y2Ba 伊格莱西亚斯gydF4y2Ba j .一gydF4y2Ba 山崎gydF4y2Ba 一个gydF4y2Ba 雷特gydF4y2Ba D。gydF4y2Ba LughofergydF4y2Ba E。gydF4y2Ba GomidegydF4y2Ba F。gydF4y2Ba 进化模糊聚类和去噪方法,回归,识别、分类:一项调查gydF4y2Ba 信息科学gydF4y2Ba 2019年gydF4y2Ba 490年gydF4y2Ba 344年gydF4y2Ba 368年gydF4y2Ba 10.1016 / j.ins.2019.03.060gydF4y2Ba 2 - s2.0 - 85063734509gydF4y2Ba 没吃gydF4y2Ba c。gydF4y2Ba 过渡性特征选择和提取:复合特性的一代gydF4y2Ba IEEE工程知识和数据gydF4y2Ba 2017年gydF4y2Ba 29日gydF4y2Ba 4gydF4y2Ba 757年gydF4y2Ba 770年gydF4y2Ba 10.1109 / tkde.2016.2619712gydF4y2Ba 2 - s2.0 - 85015766385gydF4y2Ba 将挑战gydF4y2Ba 年代。gydF4y2Ba 抑郁症的诊断的去噪方法gydF4y2Ba 应用计算和信息gydF4y2Ba 2017年gydF4y2Ba 13gydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba 18gydF4y2Ba 10.1016 / j.aci.2014.01.001gydF4y2Ba 2 - s2.0 - 85015403408gydF4y2Ba 易卜拉欣gydF4y2Ba 年代。gydF4y2Ba ChowriappagydF4y2Ba P。gydF4y2Ba DuagydF4y2Ba 年代。gydF4y2Ba 糖尿病黄斑病变的图像分类使用data-adaptive神经模糊推理分类器gydF4y2Ba 医学和生物工程和计算gydF4y2Ba 2015年gydF4y2Ba 53gydF4y2Ba 12gydF4y2Ba 1345年gydF4y2Ba 1360年gydF4y2Ba 10.1007 / s11517 - 015 - 1329 - 0gydF4y2Ba 2 - s2.0 - 84948719894gydF4y2Ba AlvanitopoulosgydF4y2Ba p F。gydF4y2Ba AndreadisgydF4y2Ba 我。gydF4y2Ba 埃琳娜gydF4y2Ba 一个。gydF4y2Ba 去噪技术的分类地震损害的建筑物gydF4y2Ba 测量gydF4y2Ba 2010年gydF4y2Ba 43gydF4y2Ba 6gydF4y2Ba 797年gydF4y2Ba 809年gydF4y2Ba 10.1016 / j.measurement.2010.02.011gydF4y2Ba 2 - s2.0 - 77951101670gydF4y2Ba 陈gydF4y2Ba M.-S。gydF4y2Ba 去噪方法对在线消息调度gydF4y2Ba 人工智能技术的工程应用gydF4y2Ba 2015年gydF4y2Ba 38gydF4y2Ba 59gydF4y2Ba 69年gydF4y2Ba 10.1016 / j.engappai.2014.10.002gydF4y2Ba 2 - s2.0 - 84916594266gydF4y2Ba 爱资哈尔gydF4y2Ba M。gydF4y2Ba 库马尔gydF4y2Ba y . J。gydF4y2Ba 改进文本使用去噪方法的总结gydF4y2Ba 信息和通讯》杂志上gydF4y2Ba 2017年gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 367年gydF4y2Ba 379年gydF4y2Ba 10.1080 / 24751839.2017.1364040gydF4y2Ba 辛格gydF4y2Ba h·R。gydF4y2Ba BiswasgydF4y2Ba 美国K。gydF4y2Ba PurkayasthagydF4y2Ba B。gydF4y2Ba 一种神经模糊分类技术使用动态集群和GSS规则生成gydF4y2Ba 计算和应用数学杂志》上gydF4y2Ba 2017年gydF4y2Ba 309年gydF4y2Ba 683年gydF4y2Ba 694年gydF4y2Ba 10.1016 / j.cam.2016.04.023gydF4y2Ba 2 - s2.0 - 84975134198gydF4y2Ba NilashigydF4y2Ba M。gydF4y2Ba 艾哈迈迪gydF4y2Ba H。gydF4y2Ba ShahmoradigydF4y2Ba lgydF4y2Ba 易卜拉欣gydF4y2Ba O。gydF4y2Ba 阿克巴里gydF4y2Ba E。gydF4y2Ba 一个肝炎疾病诊断的预测方法利用神经模糊技术的集合体gydF4y2Ba 感染和公共卫生杂志》上gydF4y2Ba 2019年gydF4y2Ba 12gydF4y2Ba 1gydF4y2Ba 13gydF4y2Ba 20.gydF4y2Ba 10.1016 / j.jiph.2018.09.009gydF4y2Ba 2 - s2.0 - 85054185783gydF4y2Ba ShihabudheengydF4y2Ba k V。gydF4y2Ba 马赫什gydF4y2Ba M。gydF4y2Ba 皮拉伊gydF4y2Ba g . N。gydF4y2Ba 基于粒子群优化的极端的回归和分类学习神经模糊系统gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2018年gydF4y2Ba 92年gydF4y2Ba 474年gydF4y2Ba 484年gydF4y2Ba 10.1016 / j.eswa.2017.09.037gydF4y2Ba 2 - s2.0 - 85030679056gydF4y2Ba PolatgydF4y2Ba K。gydF4y2Ba GuneşgydF4y2Ba 年代。gydF4y2Ba 基于主成分分析的专家系统方法和自适应神经模糊推理系统诊断糖尿病的疾病gydF4y2Ba 数字信号处理gydF4y2Ba 2007年gydF4y2Ba 17gydF4y2Ba 4gydF4y2Ba 702年gydF4y2Ba 710年gydF4y2Ba 10.1016 / j.dsp.2006.09.005gydF4y2Ba 2 - s2.0 - 34249285900gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba PaliwalgydF4y2Ba K·K。gydF4y2Ba 特征提取和降维算法及其应用在元音识别gydF4y2Ba 模式识别gydF4y2Ba 2003年gydF4y2Ba 36gydF4y2Ba 10gydF4y2Ba 2429年gydF4y2Ba 2439年gydF4y2Ba 10.1016 / s0031 - 3203 (03) 00044 - xgydF4y2Ba 2 - s2.0 - 0042198967gydF4y2Ba 阿扎尔的gydF4y2Ba a . T。gydF4y2Ba 基于语言的神经模糊特征选择方法对冲医疗诊断gydF4y2Ba 国际期刊的造型、识别和控制gydF4y2Ba 2014年gydF4y2Ba 22gydF4y2Ba 3gydF4y2Ba 195年gydF4y2Ba 206年gydF4y2Ba 10.1504 / ijmic.2014.065338gydF4y2Ba 2 - s2.0 - 84908230597gydF4y2Ba 凯尔gydF4y2Ba 一个。gydF4y2Ba 萨梅特HasiloglugydF4y2Ba 一个。gydF4y2Ba 凯尔gydF4y2Ba 一个。gydF4y2Ba AksoygydF4y2Ba Y。gydF4y2Ba 去噪的分类使用NEFCLASS-J前列腺癌gydF4y2Ba 计算机在生物学和医学gydF4y2Ba 2007年gydF4y2Ba 37gydF4y2Ba 11gydF4y2Ba 1617年gydF4y2Ba 1628年gydF4y2Ba 10.1016 / j.compbiomed.2007.03.006gydF4y2Ba 2 - s2.0 - 34548410489gydF4y2Ba GabrysgydF4y2Ba B。gydF4y2Ba 从数据中学习混合神经模糊分类器模型:合并或不合并?gydF4y2Ba 模糊集和系统gydF4y2Ba 2004年gydF4y2Ba 147年gydF4y2Ba 1gydF4y2Ba 39gydF4y2Ba 56gydF4y2Ba 10.1016 / j.fss.2003.11.010gydF4y2Ba 2 - s2.0 - 4344642807gydF4y2Ba UbeyligydF4y2Ba e . D。gydF4y2Ba 自适应神经模糊推理系统使用李雅普诺夫指数对ECG信号的分类gydF4y2Ba 计算机在生物医学方法和项目gydF4y2Ba 2009年gydF4y2Ba 93年gydF4y2Ba 3gydF4y2Ba 313年gydF4y2Ba 321年gydF4y2Ba 10.1016 / j.cmpb.2008.10.012gydF4y2Ba 2 - s2.0 - 59149084224gydF4y2Ba KolodyazhniygydF4y2Ba V。gydF4y2Ba KlawonngydF4y2Ba F。gydF4y2Ba TschumitschewgydF4y2Ba K。gydF4y2Ba 降维的去噪模型及其应用gydF4y2Ba 国际期刊的不确定性、模糊性和以知识为基础的系统gydF4y2Ba 2007年gydF4y2Ba 15gydF4y2Ba 5gydF4y2Ba 571年gydF4y2Ba 593年gydF4y2Ba 10.1142 / s0218488507004881gydF4y2Ba 2 - s2.0 - 35348895735gydF4y2Ba SchclargydF4y2Ba 一个。gydF4y2Ba RokachgydF4y2Ba lgydF4y2Ba 阿米特gydF4y2Ba 一个。gydF4y2Ba 基于降维的各个分类器gydF4y2Ba 智能数据分析gydF4y2Ba 2017年gydF4y2Ba 21gydF4y2Ba 3gydF4y2Ba 467年gydF4y2Ba 489年gydF4y2Ba 10.3233 / ida - 150486gydF4y2Ba 2 - s2.0 - 85021782531gydF4y2Ba 贝奇gydF4y2Ba K。gydF4y2Ba LichmangydF4y2Ba M。gydF4y2Ba UCI机器学习库gydF4y2Ba 2013年gydF4y2Ba 欧文、钙、美国gydF4y2Ba 加州大学,学校的信息和计算机科学gydF4y2Ba Alcala-FdezgydF4y2Ba J。gydF4y2Ba 费尔南德斯gydF4y2Ba 一个。gydF4y2Ba LuengogydF4y2Ba J。gydF4y2Ba 龙骨数据挖掘软件工具:数据集库。算法和实验分析框架的集成gydF4y2Ba 《多元逻辑与软计算gydF4y2Ba 2011年gydF4y2Ba 17gydF4y2Ba 2 - 3gydF4y2Ba 255年gydF4y2Ba 287年gydF4y2Ba DemšargydF4y2Ba J。gydF4y2Ba 统计比较分类器在多个数据集gydF4y2Ba 机器学习研究杂志》上gydF4y2Ba 2006年gydF4y2Ba 7gydF4y2Ba 1gydF4y2Ba 30.gydF4y2Ba 费雪gydF4y2Ba r。gydF4y2Ba 统计方法和科学推理gydF4y2Ba 1956年gydF4y2Ba 2日gydF4y2Ba 纽约,纽约,美国gydF4y2Ba Hafner出版有限公司gydF4y2Ba 图基gydF4y2Ba j·W。gydF4y2Ba 比较个人意味着在方差分析gydF4y2Ba 生物识别技术gydF4y2Ba 1949年gydF4y2Ba 5gydF4y2Ba 2gydF4y2Ba 99年gydF4y2Ba 114年gydF4y2Ba 10.2307 / 3001913gydF4y2Ba 2 - s2.0 - 0002196917gydF4y2Ba DunnettgydF4y2Ba c·W。gydF4y2Ba 多重比较过程比较几种治疗控制gydF4y2Ba 美国统计协会杂志》上gydF4y2Ba 1955年gydF4y2Ba 50gydF4y2Ba 272年gydF4y2Ba 1096年gydF4y2Ba 1121年gydF4y2Ba 10.1080 / 01621459.1955.10501294gydF4y2Ba 2 - s2.0 - 0009663357gydF4y2Ba 弗里德曼gydF4y2Ba M。gydF4y2Ba 使用中避免正常的假设隐含在方差分析gydF4y2Ba 美国统计协会杂志》上gydF4y2Ba 1937年gydF4y2Ba 32gydF4y2Ba 200年gydF4y2Ba 675年gydF4y2Ba 701年gydF4y2Ba 10.1080 / 01621459.1937.10503522gydF4y2Ba 2 - s2.0 - 84944811700gydF4y2Ba 弗里德曼gydF4y2Ba M。gydF4y2Ba 比较另类的测试意义m美元排名的问题gydF4y2Ba 数理统计年鉴中gydF4y2Ba 1940年gydF4y2Ba 11gydF4y2Ba 1gydF4y2Ba 86年gydF4y2Ba 92年gydF4y2Ba 10.1214 /中耳炎/ 1177731944gydF4y2Ba 伊曼gydF4y2Ba r . L。gydF4y2Ba 达文波特gydF4y2Ba j . M。gydF4y2Ba 近似的临界区fbietkan统计gydF4y2Ba 通信在统计理论和方法gydF4y2Ba 1980年gydF4y2Ba 9gydF4y2Ba 6gydF4y2Ba 571年gydF4y2Ba 595年gydF4y2Ba 10.1080 / 03610928008827904gydF4y2Ba 2 - s2.0 - 0001750957gydF4y2Ba 加西亚gydF4y2Ba 年代。gydF4y2Ba 费尔南德斯gydF4y2Ba 一个。gydF4y2Ba LuengogydF4y2Ba J。gydF4y2Ba HerreragydF4y2Ba F。gydF4y2Ba 为多个比较先进的非参数测试实验设计中计算智能与数据挖掘:权力的实验分析gydF4y2Ba 信息科学gydF4y2Ba 2010年gydF4y2Ba 180年gydF4y2Ba 10gydF4y2Ba 2044年gydF4y2Ba 2064年gydF4y2Ba 10.1016 / j.ins.2009.12.010gydF4y2Ba 2 - s2.0 - 77549084648gydF4y2Ba LuengogydF4y2Ba J。gydF4y2Ba 加西亚gydF4y2Ba 年代。gydF4y2Ba HerreragydF4y2Ba F。gydF4y2Ba 一项研究使用统计和神经网络测试实验:参数测试条件和非参数测试分析gydF4y2Ba 专家系统与应用程序gydF4y2Ba 2009年gydF4y2Ba 36gydF4y2Ba 4gydF4y2Ba 7798年gydF4y2Ba 7808年gydF4y2Ba 10.1016 / j.eswa.2008.11.041gydF4y2Ba 2 - s2.0 - 60249094201gydF4y2Ba