对利用Neurofuzzy分类识别系统使用Psittacines作为案例研究

文摘

neurofuzzy的演示应用程序的任务psittacine(鹦鹉)分类识别提出了。在这个工作中,NEFCLASS-J neurofuzzy系统是用于分类的鹦鹉141年和183年的数据分组,使用68个特征点或品质。报告结果显示分类精度在95%以上,这是紧紧联系在一起neurofuzzy系统的某些参数的设定。规则库的大小在1750 - 1950的范围规则。

1。介绍

类识别的传统方法包括生物的详细目视检查和比较的参考图像或标本(1]。这可能是一个缓慢而冗长的过程并不总是可靠的(有时甚至专家不同意适当的分类)。计算机系统进行分类识别,结果会更客观更少时间。分类学家现在才开始意识到人工智能技术及其巨大的效用。第一个系统的桥梁的计算机科学和分类,或系统误差,提出了他们的工作在2005年研讨会算法在分类学方法识别问题,在伦敦举行1]。提出的许多技术包括人工神经网络、自组织映射。他们取得结果的准确性70%到98%的生物分类成一个19(平均)生物组。标本被研究包括浮游生物、蜜蜂、黄蜂、蜘蛛,和树木1]。在这些情况下,详细的照片(有些甚至使用电子显微镜)提供的主体是作为系统的输入。系统需要识别特定的特征点,处理典型图像处理问题,概括得很好,给准确的结果。尽管这些标本的要求得到满足,系统没有出现准备申请意愿降低标本,如呼吸、活跃、杂技、contortionist-like鹦鹉。

据说非法野生动物贸易中仅次于毒品这值得我们5 - 8美元一年(2]。,6000万美元来自贸易笼鸟、鹦鹉占很大比例。这个商业开发加上栖息地的破坏已经将许多鹦鹉物种在一个危险的境地。鹦形目分类顺序由鹦鹉或psittacines。的约355种nonextinct鹦形目,超过四分之一(94种)正在面临灭绝的威胁(例如,IUCN红色被列为极度濒危,濒临灭绝,或脆弱的)(3]。鹦鹉的非法贸易涉及走私,洗钱或伪造装运单据。所有美国海关官员现在有一个列表的鸟类无法导入或导出引用(下4]。然而,很难教忙着定制的官员如何识别物种保护和交易员故意毫不犹豫地做识别错物种所需的文件(4]。快速、计算机工具分类识别的鹦鹉可以在很大程度上帮助官员支持引用(从而帮助鹦鹉保护)和减少不公平对很多不必要的鹦鹉。

一些系统专业分类识别是准确的和有用的。然而,随着他们的许多研究人员注意到(抱怨),一个无法轻易评论或跟踪逻辑用于到达一个分类的结果(1]。这是因为人工神经网络是黑色的盒子,将对用户做出假设的逻辑。模糊系统可以原因类的方式在面对不确定性时,他们的逻辑可以很容易地理解(5]。他们也简单,便宜,而且可以将专家知识(6]。然而,模糊系统本质上不能学习(5]。另一方面,人工神经网络可能不会导致逻辑是显而易见的,但他们可以通过培训学习而无需人工干预和反馈(5,7]。通过组合这两个软计算技术,既可以实现的最好特性在一个单一的,可靠的neurofuzzy系统。Neurofuzzy系统学习算法的神经网络理论应用于模糊系统(6]。自可解释性通常被认为是一个关键元素,neurofuzzy系统约束他们的学习算法,以确保培训的语义模糊系统仍然是有意义的和准确的8- - - - - -10]。

本研究的目的是产生一个准确和可翻译的分类识别psittacines neurofuzzy系统使用监督学习。良好的最低精度是85%正确的识别和解释能力可以通过规则的数量来判断每类和先行词的数量变量模糊规则。在这里,系统NEFCLASS-J应用。它会自动决定了规则库的大小和调整隶属度函数。用户指南系统通过选择隶属度函数的整体形状,每个语言变量的模糊集,规则学习过程中,聚合函数,学习速率,模糊集约束和停止控制。如果要创建一个系统,满足所有的需求,那么它将是有益的,让它贯穿和免费使用的公共和国际政府。领域的专家鹦鹉分类可能会改变规则的学习,以减少前期参数和有助于提高系统的准确性和可解释性。然后,海关官员和/或公众可以使用提供的系统来确定物种的鹦鹉。如果争端出现系统决定的,阅读可以追溯的逻辑类的规则。

部分2介绍neurofuzzy系统描述NEFCLASS / NEFCLASS-J紧随其后。部分3涉及的变量、数据和方法。部分4列出了成果及其分析。最后,部分5总结了工作。

2。Neurofuzzy系统和NEFCLASS-J

的混合神经网络和模糊系统,也就是说,neurofuzzy系统,可以分为几个不同的组织(11,12]。这项工作的目的,我们应用NEFCLASS Neurofuzzy分类问题。这是一个模糊分类器在一个两层的前馈神经网络结构,该结构基于模糊感知器(13]。应该注意的是,Nauck和克鲁斯将他们的网络称为三层;然而,本文将按照惯例由主教指出,只有数层的权重应用于节点的输出值(13,14)(见图1)。限制学习算法帮助NEFCLASS产生可判断的结果,通过修剪(有时会进一步提高13]。风格的模糊分类规则类似Mamdani模糊推理规则,下列形式:如果是和…是然后属于,在那里X=是一个模式,模糊集,是一个类(13]。例如,一个模糊规则可能如下。如果大小是小和穗长是长和运动是啤酒花然后生物属于兔子。

NEFCLASS的目标是发现这些规则和隶属度函数的满意的形状13]。为了最终的系统是可翻译的,应该满足以下条件:(一)几个有意义的模糊规则,(b)中的几个变量前情,(c)没有规则权重,(d)相同的语言术语表示相同的模糊集,和(e)正常使用模糊集(13]。

这些限制对系统可以降低它的准确性,但没有这些特性的模糊系统可以成为一个黑箱模型。可解释性和准确性往往反向变化。

2.1。学习NEFCLASS

NEFCLASS学习算法有两个阶段:结构学习和参数学习(15]。结构,或规则,学习是通过给定的初始划分输入空间的模糊集和创造潜在的先例规则(15]。为了减少学习时间,NEFCLASS选择规则网格,而不是寻找hyperellipsoidal或hyperrectangular集群(13]。在参数学习,backpropagation-like过程是用来调整模糊集(15]。转变的过程依赖于使用简单的启发式模糊集和扩大或减少他们的支持(15]。可以肯定的是,对于每个语言值作为模糊集表示,只有一个共享权重上使用一些网络连接(但只有那些来自相同的输入单元)(13]。

2.2。NEFCLASS-J

NEFCLASS-J是一个Java实现的NEFCLASS GUI提供(13]。NEFCLASS-J NEFCLASS没有有一些功能如处理缺失值的能力,自动确定的规则数量,将先验知识,学习用户可用约束,自动修剪和/或交叉验证选择(13]。NEFCLASS-J处理缺失值,仿佛任何值可能(13]。最初的规则库NEFCLASS-J由训练数据支持的所有规则。最初的规则库的规模必然从上面,在那里训练数据的基数,产品是吗我= 1到n,是模糊集的数量了吗(13]。NEFCLASS-J删除规则从这个最大大小的规则库使用修剪技术(13]。先验知识也可以手动输入规则中使用前培训系统。NEFCLASS-J,修剪和规则是唯一的方法有规则,不包括祖先的每一个输入参数。

NEFCLASS-J所使用的四种修剪策略:相关性修剪,修剪频率分类,靠冗余来修剪,修剪模糊性(15]。每一个修剪策略使用直到有一失败(例如,错误增加了或不能做出一致的规则库)。每个修剪步骤后,会员功能培训。修剪时相关性,或信息增益是用来发现和删除对分类变量最小的影响。修剪通过分类频率时,最大程度的满足的规则在最少的情况下被删除。修剪的冗余,生成最小隶属程度的语言术语,在一个活跃的规则在最少的情况下被删除(15]。最后,修剪时模糊性,模糊集的支持是最大的确定和使用的所有条款的祖先从所有其他的规则。NEFCLASS-J给用户选择创建一个分类器,创建一个修剪分类器,或删除一个现有的分类器。用户还可以选择使用倍交叉验证,用户输入的值。

NEFCLASS-J是一个强大的模型时使用的可理解性、低成本、简单性和容忍模糊性是重要的。模型效果最好,当问题有以下属性:直接输入变量之间的依赖关系和分类,没有深厚的知识分布或依赖的变量,低维度(“不到20变量”),和一个快速的解决方案,需要13]。NEFCLASS-J将无法改变的缺点隐藏神经元的数量,隐藏层,或系统的初始权重,也没有内置的能力引导数据。

3所示。方法

3.1。变量

选中的颜色特性包括鸟(参见图21个地区2),存在峰值,鸟的大小作为它的重量,和它的主要的颜色,这是鸟的颜色的总体印象。所有22个颜色特征表示为三个变量,恒生指数的一个变量为每个属性(色相,饱和度和强度)颜色模型。HSI颜色模型被选中在RGB(红、绿、蓝)和CMYK(青色,品红、黄、黑)因为HSI颜色模型是一种更为自然和直观的工具对人类来描述和解释对象的颜色(16]。恒生指数模型空间可以应用三角形,圆形,或六角锥形或双锥;一个圆柱体;或一个球体16,17]。实现的一个圆形双锥(图3)。色彩描述了颜色(色调),如蓝色和黄色之间的区别,并发现从红轴角的大小颜色点(16,17]。饱和的颜色存在(阴影),如红色和粉色之间的区别,是水平距离中央垂直轴模型的颜色点(17]。强度(音)有时被称为亮度,亮度,或价值在类似的颜色模型17]。颜色的光线,如深绿色和浅绿色的区别,并发现沿中心轴垂直距离的HSI颜色模型17]。

之间的转换RGB、HSI非常简单,公式取决于HSI彩色空间的形状选择(7]。在我们的例子中,可以使用以下公式。

鉴于小数形式的RGB值, ,,,如果,然后θ= 90°和;否则, ,在哪里θ°。如果,然后;否则, , ,

鸟有一个波峰的程度是一个主观的价值区间。大多数鹦鹉肯定没有一个波峰,0,或肯定有一个波峰,1。这些鸟是谁的波峰较小或较明显的在中间的间隔值。鸟类的大小基本上是相当于体重,福肖(当前文本中列出的18]。一个小程序利用Java的随机类被用来生成伪随机值大小的鸟儿在福肖的范围了。没有重量的物种在福肖上市,其他引用寻求,但他们也没有提供重量在这些情况下。处理这些缺失值的选择包括以下:(1)离开这些值空白和NEFCLASS-J不会对他们做任何假设;但系统的错误率会增加。(2)只使用例完整的数据,因此完全从系统中排除一些物种。(3)缺失的值替换为一个逻辑近似作为他们的可能值(15]。在这里,决定是最后的选择。在大多数情况下与失踪的重量值,其他属的平均体重可以计算并代替缺失值。在少数情况下,权重的分布属的其余部分将平均从太分散。所以,平均体重最相似的鸟(s)属内被用来填充缺失的值。

3.2。数据

所有数据归一化范围内之前被NEFCLASS-J。RGB HSI转换结果的公式提供了规范化的HSI价值观和“crestedness”的程度已经在所需的时间间隔。的大小,没有成年鹦鹉上市不到10克的重量和最大的(男性鸮鹦鹉)3000克左右。由于男性鸮鹦鹉的体重明显大于女性(1600克)和下一个最重的鹦鹉物种的两倍多(风信子鹦鹉在1450克左右),大小的上限设置为2000克。所以重量2000克以上被视为平等的价值观。截止2000克(而不是接近1500或1600克)被选中,因为一些周围的金刚鹦鹉,大小也倾向于变得超重被囚禁,如果不妥善照顾。大小的值被改变的值归一化,分裂,如下:大小=(大小−10)/ 1990。如果大小> 1,那么大小= 1。

系统中只包含完整的属。一些属不能被选择的特性。包容的特性来区分它们之间会造成所有的规则物种的祖先生长得比必要的。自产生的系统的一个主要目标是可翻译的,这些物种是更好的离开不包括整个系统的更大的缘故。包括物种列表的学名和共同的名字可以在附录中找到。此外,一些物种中度到极端的两性异形(性别有所不同)测试了两个在一起作为一个物种和分离时的两种情况为同一物种。物种是由性别标记在附录中。当性别的物种分离他们的数据被重复创建相同数量的模式,但大小值重新生成。每个物种都有20模式为它单独决定。我创建了每种情况下通过查看引用的模式物种和找到最接近的颜色匹配,限制他们必须合法的颜色。 The main reference text used was that of Forshaw (2006); however, multiple sources were sought. The references used for each species are noted with a letter in the Appendix, as well.

3.3。方法

NEFCLASS-J version 2.0(2009),这是免费的,使用Windows 7专业版在SP2和Ubuntu Linux 12.04操作系统。分类器是从头开始创建的,选择选项“新项目”和“创建分类器”从主NEFCLASS-J GUI和后所需的步骤。首先,输入一个项目名称和描述,然后提交数据文件。接下来,的数量和形状可以设置每个模糊集合的隶属度函数,随着聚合函数的类型(最大值或加权总和)。虽然提供了一个下拉菜单,唯一的选择列出分类结果的解释是““赢者通吃”。“在规则创建选项卡中,规则库的大小可以是自动设置为一个常数值或决定;规则学习过程可以是最好的或最好的每个类;和用户可以选择让系统重新学习规则库。然后,下列学习可以选择限制模糊集:保持他们的相对顺序,总是重叠,是对称的,和/或相交于0.5。规则权重可以是不习惯,保持内,或者是任意的。

在这里,用户还可以输入学习速率(α)系统。在训练控制选项卡中,验证方法可以设置为none,交叉验证,或单独的测试。在后者的两个选择,用户可以进入值交叉验证或从培训模式的百分比保留用于单独的测试。最后,时代的最大数量,最小数量的时代,数字时代的最佳后,和容许进入分类错误的数量。参见图4- - - - - -7。

在所有的实验中使用该系统,隶属度函数表示的数量大小,波峰,饱和,和强度变量被设置为5,例如,非常小,小型,中型,大型,超大型},规则库的大小被设置为自动,规则权重是不习惯,5倍交叉验证选择,容许分类错误的数量保持在0。四个不同的轮。第一轮十二运行使用的数据没有物种由性别和参数修改隶属函数的形状,包括聚合函数和规则学习的过程。只有一个修改是每个试验完成的。

第二轮12运行并使用数据,一些物种按性别分开。前面的这一轮使用相同的参数。这些第一、第二和第四回合使用16色调变量的隶属度函数,例如,红色,橙色,橙色,橙黄色,黄色、黄绿色,绿色,蓝绿色,蓝色、蓝紫色相比,紫色,紫色适,紫色,purple-magenta,品红,洋红色}。第三轮五个不同的试验使用gender-separated物种数据。这些试验尝试提高试验的可解释性,导致最准确的系统或提高试验的准确性,导致最可判断的系统。精度是由错误分类的数量和可解释性由规则库的大小决定。

修改的参数包括色调变量的隶属度函数的数量,学习速率,学习的限制,最大、最小值,postoptimal时代在训练。最后,在第一轮6分的最大大小控制规则库和所有四个学习限制可用。这些选择是增加产生的系统的可理解性。应该注意的是,在所有的运行数据统计的。这似乎是由于大尺寸的数据显示在一个窗口太小(没有提供的滚动条)。

4所示。结果和分析

4.1。结果

四个轮的试验进行。第一轮由十二个运行和利用数据,不包含任何物种按性别分开。第二轮是另一个12运行具有相似参数的第一,但是数据包含某些种类分开作为两种不同的情况下,每个性别的一个。第三和第四回合由五、六,分别在上一轮所使用的相同的数据。第三轮是各种实验提高精度或由此产生的系统的可解释性。第四轮限制规则库的规模上五分学习和使用所有可用的约束。结果在表中列出了所有的运行1- - - - - -4。


MF形状	聚合函数	学习过程	正确分类的%	Num.规则	平均误差

三角	最大	最好的	96.77	1795年	0.570922
三角	最大	最好每个类	96.1	1776年	0.566667
三角	加权和	最好的	96.77	1795年	0.571277
三角	加权和	最好每个类	96.17	1777年	0.567021
梯形	最大	最好的	97.84	1931年	0.603191
梯形	最大	最好每个类	96.13	1777年	0.573759
梯形	加权和	最好的	97.84	1931年	0.610284
梯形	加权和	最好每个类	97.02	1910年	0.612411
钟形	最大	最好的	0.71	1	0.992908
钟形	最大	最好每个类	0.71	1	0.992908
钟形	加权和	最好的	0.71	1	0.992908
钟形	加权和	最好每个类	0.71	1	0.992908


MF形状	聚合函数	学习过程	正确分类的%	Num.规则	平均误差

三角	最大	最好的	96.99	1801年	0.327869
三角	最大	最好每个类	96.53	1784年	0.338798
三角	加权和	最好的	96.99	1801年	0.333060
三角	加权和	最好每个类	96.56	1785年	0.335246
梯形	最大	最好的	97.9	1935年	0.365574
梯形	最大	最好每个类	97.32	1916年	0.360383
梯形	加权和	最好的	97.9	1936年	0.339617
梯形	加权和	最好每个类	97.32	1917年	0.361202
钟形	最大	最好的	0.55	1	0.994536
钟形	最大	最好每个类	0.55	1	0.994536
钟形	加权和	最好的	0.55	1	0.994536
钟形	加权和	最好每个类	0.55	1	0.994536


运行	1	2	3	4	5

Num。MF色调var。	8	16	8	16	16
MF形状	梯形	三角	梯形	三角	梯形
聚合函数	加权和	最大	加权和	最大	加权和
学习过程	最好的	最好每个类	最好的	最好每个类	最好的
约束	1、2	1、2	1、2、3、4	1、2	1、2
学习速率	0.01	0.1	0.01	0.01	0.01
Max。时代	500年	500年	500年	1000年	1000年
分钟时代	10	10	10	20.	20.
优化后时代	25	25	25	50	50
正确分类的%	97.02	96.56	96.86	96.58	97.9
Num.规则	1786年	1785年	1786年	1785年	1935年
平均误差	0.324590	0.312022	0.330055	0.339617	0.354098


运行	1	2	3	4	5	6

Max。#模糊规则	汽车。	1500年	1000年	500年	250年	183年
正确的类。	97.32%	81.23%	65.25%	41.61%	33.06%	20.87%
Num.规则	1917年	1499年	1051年	500年	362年	183年
平均误差	0.358197	0.427322	0.676230	0.766667	0.829508	0.882240

4.2。分析

在第一轮的培训和测试使用5倍交叉验证,精度最高的(比例的正确分类的数量)被发现在两个运行都有97.84%的准确性。他们的参数是梯形隶属度函数,最好的学习过程中,和最大或加权和聚合函数。这两个运行也有最大的大小规则基地(1931规则)的圆的。最小的规则库被发现在1776年规则三角形隶属度函数时,聚合函数是最大和最佳使用每个类。然而,另一个两个相似大小的规则运行基地(1777)。这些共同点三大运行(根据规则库大小)是最好的每个类学习过程在这些运行和两个三角形隶属度函数和运行两个最大的聚合函数。最糟糕的表现从圆来自所有四分钟形隶属度函数。在这些实例中,只有一个规则生成,导致系统执行极其严重。很难说具体原因只有这奇异规则生成。这是指出在线(在网站上下载NEFCLASS-J)数据文件没有INRANGES部分处理不当,导致NEFCLASS-J创建一个规则或任何规则。 All the data files used in these trials had INRANGES correctly specified, but perhaps a similar problem is occurring that limits the rule base size. The source code for NEFCLASS-J is not available, the documentation that comes with the software is incomplete, and the application is no longer supported, so it is hard to determine the root cause of the problem. If it is not an internal error related to NEFCLASS-J, then the only guess available is that the bell-shaped membership functions combined with the large number of membership functions, 16, result in an odd distribution across the fuzzy set domain, thus rendering proper rule generation impossible.

在第二轮,30多个物种被性别分离为不同的情况下的系统学习。相比第一轮,第二轮导致更高比例的正确分类和更大的规则库的运行(不包括异常结果的钟形隶属函数系统)。然而,这些差异仅仅是轻微的。看来,精度提高当一些物种性别分离,但这可解释性可能下降。然而,由于许多物种,分离的类的数量分类也增加,这也影响了规则库的规模。几乎毫无疑问,每个类的规则数量减少在第二轮虽然总体规则库的规模增长。最小的总体规则库大小在第二轮(钟形除外)是在1784年,来自系统生成的三角形隶属度函数的参数,最好最大聚合函数,每个类最好的学习过程。非常接近第二,来自另一个系统,每个类三角形隶属度函数和最佳学习过程(1785规则)。

第三轮实验涉及各种更多的参数的值。1是仿照前面跑在第二轮,准确性和较低的平均误差最高的前两名。这里代表色调变量隶属度函数的数量减半至8规则库的大小是否可以降低,因此,可解释性改善。结果是不正确分类率,不同在第三轮在第二轮(97.9%,97.02%)和规则库的大小是150规则小。运行2和4都是为了提高系统的准确性在第二轮最小生成规则库的大小。周围的学习速率和参数数量的时代被改变。在这两种情况下,规则库的规模和比例正确分类是有效的改变。跑3是另一个试图改善可解释性。它包括更多的学习限制模糊集和类似于运行1。运行1相比,运行3大小完全相同的规则库,只有微不足道的精度下降。 Finally, run 5 was an attempt at getting the best accuracy out of the already most accurate system. This was done even after considering the potential for overfitting and/or loss in interpretability. Doubling the values for each of the epoch-related parameters had no effect on the results, though.

最后,第四轮不同模糊规则的最大数量和保持学习的所有四个约束选项。所有运行在这最后一轮使用最好的每个类规则学习过程。如果选择了最佳和规则库的大小是有限的,那么它的一些类(即是可能的。、物种)不代表规则库,因此最好每个类的使用。第一次运行控制运行规则库的大小是在自动离开。它实现了97.32%的精度正确分类规则库的1917条规则。接下来的五分,只运行两个能够保持一个精度高于80%(81.23%专门)和规则库大小为1499。运行两个,平均每个类的规则数量为8.191,(和最高价值)中值为9,和最低的是1规则每个类。附录中列出的规则数量为每一个物种或系统运行产生的两类。剩下的都更穷的性能运行,尽管规模小得多的统治基础。183年最后运行规则库大小规则有效地生成一个系统只有一个规则每个类。 It had the worst performance of the round (20.87% correct classifications). Also, it appears that the user provided maximal size of the rule base is only a soft limit and that NEFCLASS-J will simply use that as a guide when creating the rule base.

总的来说,当试图减少规则库的大小,三角隶属度函数和最好的每个类规则学习过程似乎产生最高的结果。限制大小的基础,但不是太多,也会有所帮助。如果目标是最大化的准确性,然后梯形隶属度函数和最好的规则学习过程似乎是关键。此外,似乎这些系统的可解释性瞄准精度可以增加减少色调模糊变量的隶属度函数的数量,增加约束所有的模糊集,没有减少太多的准确性(少于2%)。

5。结论

对于neurofuzzy技术应用到分类识别提出了本文。也许,这是有史以来第一次这种方法的应用。这为其他研究人员提供了一个框架进一步调查这可能非常富有成果的方法。先前的努力在这一领域主要涉及使用神经网络分类建立识别系统。可以是猜测,不过,最好的结果可能来自跨学科的研究团队。它可能是由一个计算机科学家专攻人工智能技术,一个合格的分类学者或分类学研究,专家从生物被研究的领域(即。一个鸟类学家)。

分类学家渴望一个容易使用,快速、可靠和准确的生物群体分类系统。的分类学者应该能够为每个分类分析和改变之后的逻辑。这些品质结合模糊、不精确数据的性质和的专家可以使用语言表达他们的知识术语使neurofuzzy系统一个有吸引力的工具用于分类识别。为了实现它的潜力,研究人员应该一起跨部门。它可以对濒危物种的影响是巨大的。

附录

见表5。


学名	普通的名字	引用	Num.规则

Probosciger aterrimus	棕榈凤头鹦鹉	[B] [D] [H]	9
Calyptorhynchus funereus	Yellow-tailed黑凤头鹦鹉	[B] [D] [H]	9
Calyptorhynchus latirostris	卡尔纳比的黑凤头鹦鹉	[B] [D] [H]	9
Calyptorhynchus banksii	红尾黑凤头鹦鹉	[B] [D] [H]	9 (♂)9 (♀)
Calyptorhynchus lathami	光滑的黑色风头鹦鹉	[B] [D] [H]	7 (♂)9 (♀)
Callocephalon fimbriatum	Gang-gang风头鹦鹉	[B] [D] [H]	9 (♂)7 (♀)
Eolophus roseicapilla	桃红鹦鹉	[B] [D] [H]	9
Cacatua leadbeateri	主要米切尔凤头鹦鹉	[B] [D] [H]	9
Cacatua sulphurea	Yellow-crested风头鹦鹉	[B] [D]	9
Cacatua galerita	Sulphur-crested风头鹦鹉	[B] [D] [H]	6
Cacatua ophthalmica	蓝眼睛的风头鹦鹉	[B] [D]	2
Cacatua阿尔巴	白头风头鹦鹉	[B] [D]	1
Cacatua moluccensis	Salmon-crested风头鹦鹉	[B] [D]	9
Cacatua tenuirostris	Slender-billed corella	[B] [D] [H]	9
Cacatua pastinator	西方corella	[B] [D] [H]	9
Cacatua sanguinea	小corella	[B] [D] [H]	9
Cacatua ducorpsii	Ducorps”corella	[B] [D]	8
Cacatua goffini	戈氏corella	[B] [D]	6
Cacatua haematuropygia	Red-vented corella	[B] [D]	9
Nymphicus hollandicus	澳洲鹦鹉	[B] [D] [H]	8 (♂)9 (♀)
Strigops habroptilus	鸮鹦鹉	[B] [D]	9 (♂)9 (♀)
内斯特notabilis	食肉鹦鹉	[B] [D]	9
内斯特南方猛犸	卡卡	[B] [D]	9
Psittrichas fulgidus	Pesquet的鹦鹉	[B] [D] [J]	9
Micropsitta pusio	Buff-faced侏儒鹦鹉	[B] [D]	9
Micropsitta keinsis	Yellow-capped侏儒鹦鹉	[B] [D]	9
Micropsitta geelvinkiana	Geelvink侏儒鹦鹉	[B] [D]	9 (♂)9 (♀)
Micropsitta meeki	温顺的侏儒鹦鹉	[B] [D]	9
Micropsitta finschii	Finsch侏儒鹦鹉	[B] [D]	9 (♂)9 (♀)
Micropsitta bruijnii	Red-breasted侏儒鹦鹉	[B] [D] [J]	9 (♂)9 (♀)
Cyclopsitta gulielmitertii	Orange-breasted无花果鹦鹉	[B] [D]	9 (♂)9 (♀)
Cyclopsitta diophthalma	Double-eyed无花果鹦鹉	[B] [D]	9 (♂)9 (♀)
Psittaculirostris desmarestii	Desmarest无花果鹦鹉	[B] [D]	9
Psittaculirostris edwardsii	爱德华的无花果鹦鹉	[B] [D]	8 (♂)8 (♀)
Psittaculirostris salvadorii	Salvadori无花果鹦鹉	[B] [D]	9 (♂)9 (♀)
Bolbopsittacus lunulatus	Guaiabero	[B] [D]	9 (♂)9 (♀)
Psittinus cyanurus	Blue-rumped鹦鹉	[B] [D] [K] [J]	9 (♂)9 (♀)
Geoffroyus单纯形	蓝领的鹦鹉	[B] [D]	9 (♂)7 (♀)
Geoffroyus heteroclitus	唱歌的鹦鹉	[B] [D]	9 (♂)9 (♀)
Geoffroyus geoffroyi	的时候一副面红耳赤的鹦鹉	[B] [D] [J]	9 (♂)7 (♀)
Prioniturus luconensis	绿色racquet-tailed鹦鹉	[B] [D]	9
Prioniturus montanus	山racquet-tailed鹦鹉	[B] [D]	9 (♂)7 (♀)
Prioniturus verticalis	Blue-winged racquet-tailed鹦鹉	[B] [D]	9
Prioniturus waterstradti	棉兰老岛racquet-tailed鹦鹉	[B] [D]	9
Prioniturus platenae	Blue-headed racquet-tailed鹦鹉	[B] [D]	9
Prioniturus discurus	Blue-crowned racquet-tailed鹦鹉	[B] [D] [K]	9
Prioniturus flavicans	Yellow-breasted racquet-tailed鹦鹉	[B] [D]	9
Prioniturus platurus	Golden-mantled racquet-tailed鹦鹉	[B] [D]	9 (♂)6 (♀)
Prioniturus马达思班	布鲁岛racquet-tailed鹦鹉	[B] [D]	9 (♂)9 (♀)
Eclectus roratus	Eclectus鹦鹉	[B] [D] [H] [J]	9 (♂)9 (♀)
Tanygnathus megalorynchos	Great-billed鹦鹉	[B] [D] [J]	9
Tanygnathus lucionensis	Blue-naped鹦鹉	[B] [D] [K]	9
Tanygnathus sumatranus	蓝背鹦鹉	[B] [D]	9
Tanygnathus gramineus	Black-lored鹦鹉	[B] [D]	9
Psittacula eupatria	同上长尾小鹦鹉	[B] [D] [C] [K]	9 (♂)9 (♀)
Psittacula krameri	Rose-ringed长尾小鹦鹉	[B] [D][我][A] [C] [K]	9 (♂)9 (♀)
Psittacula回声	毛里求斯长尾小鹦鹉	[B] [D]	9
Psittacula columboides	马拉巴尔海岸长尾小鹦鹉	[B] [D] [C]	9 (♂)9 (♀)
Psittacula calthorpae	Emerald-collared长尾小鹦鹉	[B] [D] [C]	9
Psittacula cyanocephala	Plum-headed长尾小鹦鹉	[B] [D] [C]	9 (♂)6 (♀)
Psittacula roseata	Blossom-headed长尾小鹦鹉	[B] [D] [C] [K]	9 (♂)9 (♀)
Psittacula himalayana	Slaty-headed长尾小鹦鹉	[B] [D] [C]	9
Psittacula finschii	老练的长尾小鹦鹉	[B] [D] [C]	7
Psittacula derbiana	Derbyan长尾小鹦鹉	[B] [D] [C]	9
Psittacula caniceps	尼科巴长尾小鹦鹉	[B] [D] [C]	7
Psittacula alexandri	Red-breasted长尾小鹦鹉	[B] [D] [C] [K] [J]	9
Psittacula longicauda	长尾长尾小鹦鹉	[B] [D] [C] [K] [J]	9
Agapornis canus	老练的小鹦鹉类	[B] [D]	9 (♂)9 (♀)
Agapornis pullarius	面红耳赤的小鹦鹉类	[B] [D][我][A]	9
Agapornis taranta	Black-winged小鹦鹉类	[B] [D][我]	9 (♂)9 (♀)
Agapornis swindernianus	Black-collared小鹦鹉类	[B] [D][我][A]	9
Agapornis roseicollis	Peach-faced小鹦鹉类	[B] [D][我][A]	9
Agapornis personatus	戴面具的小鹦鹉类	[B] [D][我]	9
Agapornis fischeri	费舍尔的小鹦鹉类	[B] [D][我]	9
Agapornis lilianae	尼亚萨湖小鹦鹉类	[B] [D][我]	9
Agapornis nigrigenis	Black-cheeked小鹦鹉类	[B] [D][我]	9
Loriculus vernalis	春天的鹦鹉挂	[B] [D] [C] [K]	9
Loriculus beryllinus	锡兰挂鹦鹉	[B] [D]	9
Loriculus philippensis	菲律宾挂鹦鹉	[B] [D]	9 (♂)9 (♀)
Loriculus galgulus	Blue-crowned挂鹦鹉	[B] [D] [K] [J]	9 (♂)4 (♀)
Loriculus stigmatus	Maroon-rumped挂鹦鹉	[B] [D]	9 (♂)9 (♀)
Loriculus amabilis	摩鹿加群岛的鹦鹉挂	[B] [D] [J]	7 (♂)6 (♀)
Loriculus sclateri	苏拉挂鹦鹉	[B] [D]	9
Loriculus catamene	海底挂鹦鹉	[B] [D]	9 (♂)9 (♀)
Loriculus flosculus	弗洛雷斯挂鹦鹉	[B] [D] [J]	9 (♂)8 (♀)
Loriculus exilis	挂绿鹦鹉	[B] [D]	7
Loriculus pusillus	挂具有黄色喉部,鹦鹉	[B] [D] [J]	9
Loriculus aurantiifrons	Orange-fronted挂鹦鹉	[B] [D]	9 (♂)9 (♀)
Loriculus惯常	绿腰挂鹦鹉	[B] [D]	9
Alisterus amboinensis	摩鹿加群岛的国王鹦鹉	[B] [D]	9
Alisterus chloropterus	巴布亚人王的鹦鹉	[B] [D]	7 (♂)4 (♀)
Alisterus scapularis	澳大利亚国王鹦鹉	[B] [D] [H]	3 (♂)5 (♀)
Aprosmictus jonquillaceus	Olive-shouldered鹦鹉	[B] [D]	8
Aprosmictus erythropterus	红鹦鹉	[B] [D] [H] [J]	7 (♂)9 (♀)
Purpureicephalus spurius	红顶的鹦鹉	[B] [D] [H]	9
Northiella haematogaster	矢车菊(yellow-vented)	[B] [D] [H]	9
Lathamus变色	斯威夫特的鹦鹉	[B] [D] [H]	1
Eunymphicus cornutus	有角的长尾小鹦鹉	[B] [D]	9
Prosopeia personata	戴面具的闪亮的鹦鹉	[B] [D]	9
Prosopeia tabuensis	红色闪亮的鹦鹉	[B] [D]	9
Neopsephotus bourkii	布瑞克的鹦鹉	[B] [D] [H]	9
Melopsittacus波形的	虎皮鹦鹉	[B] [D] [H]	9
Psittacus erithacus	灰色鹦鹉	[B] [D][我][A]	9
Poicephalus南方	Brown-necked鹦鹉	[B] [D][我][A]	9 (♂)9 (♀)
Poicephalus gulielmi	怡和的鹦鹉	[B] [D][我][A]	9
Poicephalus flavifrons	黄色脸鹦鹉	[B] [D][我]	9
Poicephalus cryptoxanthus	Brown-headed鹦鹉	[B] [D][我]	9
Poicephalus克拉苏	Niam-Niam鹦鹉	[B] [D][我][A]	9
Poicephalus meyeri	迈耶的鹦鹉	[B] [D][我][A]	9
Poicephalus rueppellii	Ruppell的鹦鹉	[B] [D][我]	9 (♂)9 (♀)
Poicephalus rufiventris	红腹鹦鹉	[B] [D][我]	9 (♂)8 (♀)
Poicephalus senegalus	塞内加尔的鹦鹉	[B] [D][我][A]	9
Anodorhynchus hyacinthinus	紫蓝色金刚鹦鹉	[B] [D] [G]	9
Anodorhynchus leari	李尔的金刚鹦鹉	[B] [D] [G]	9
Anodorhynchus glaucus	蓝绿色的金刚鹦鹉	[B] [D] [G]	8
Cyanopsitta spixii	又叫做小蓝金刚鹦鹉鹦鹉	[B] [D] [G]	2
Ara ararauna	蓝色和黄色金刚鹦鹉	[B] [D] [G] [F]	9
Ara glaucogularis	Blue-throated金刚鹦鹉	[B] [D] [G]	9
Ara澳门	红金刚鹦鹉	[B] [D] [G] [F]	9
Ara chloroptera	Green-winged金刚鹦鹉	[B] [D] [G]	9
Ara曾	军事金刚鹦鹉	[B] [D] [G]	9
Ara ambiguus	伟大的绿色鹦鹉	[B] [D] [G]	9
Ara rubrogenys	Red-fronted金刚鹦鹉	[B] [D] [G]	9
Ara西弗勒斯	Chestnut-fronted金刚鹦鹉	[B] [D] [G]	9
Primolius auricollis	Yellow-collared金刚鹦鹉	[B] [D] [G]	5
Primolius马拉	Blue-winged金刚鹦鹉	[B] [D] [G]	5
Primolius couloni	Blue-headed金刚鹦鹉	[B] [D] [G]	5
Orthopsittaca manilata	红腹金刚鹦鹉	[B] [D] [G]	4
Diopsittaca nobilis	那些鹦鹉(哈恩的金刚鹦鹉)	[B] [D] [G]	9
Rhynchopsitta pachyrhyncha	厚嘴鹦鹉	[B] [D] [F] [E]	1
Rhynchopsitta terrisi	Maroon-fronted鹦鹉	[B] [D] [F]	1
Ognorhynchus icterotis	Yellow-eared锥尾鹦哥	[B] [D] [G]	5
Guaruba guarouba	黄金锥尾鹦哥	[B] [D] [G]	3
Nandayus nenday	Nanday锥尾鹦哥	[B] [D] [G]	9
Cyanoliseus patagonus	巴塔哥尼亚锥尾鹦哥(小)	[B] [D] [G]	9
Myiopsitta monachus	和尚长尾小鹦鹉	[B] [D] [G] [E]	9
Pionites melanocephala	吃教鹦鹉	[B] [D] [G]	9
Pionites leucogaster	White-bellied鹦鹉	[B] [D] [G]	9
Graydidascalus brachyurus	短尾鹦鹉	[B] [D] [G]	7
Deroptyus accipitrinus	Hawk-headed鹦鹉	[B] [D]	9
Triclaria malachitacea	Purple-bellied鹦鹉	[B] [D]	6 (♂)4 (♀)

物种性别分离的第二,第三和第四次轮测试。
Num.规则:为每一个类圆形的规则数量4运行2,♂表示男性的物种和♀表示女性。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

麦克劳德,Ed。自动分类识别在分类学:理论、方法和应用分类学协会特别卷系列74,CRC出版社,波卡拉顿,佛罗里达州,美国,2007年。
交通,保护野生动物的贸易:监管,由美国编辑奥德菲尔德、趋势、英镑,弗吉尼亚州,美国,2003年。
世界自然保护联盟”,2007年世界自然保护联盟濒危物种红色名录,“2007年,http://www.iucnredlist.org/。视图:谷歌学术搜索
g . Mountfort稀有鸟类的世界:柯林斯/ ICBP手册企鹅出版集团,纽约,纽约,美国,1988年。
j .日元和r . Langari模糊逻辑:智力、控制和信息美国,新世纪,上台北,1999年。
d . Nauck和r·克鲁斯”融合专家知识和信息从数据与NEFCLASS”第二届国际会议信息融合(融合99年)加州森尼维尔市,页386 - 393,美国1999年7月。视图:谷歌学术搜索
m . Negnevitsky人工智能:智能系统的指南培生教育,伦敦,英国,第二版,2005年版。
美国冰斗、s Das和p . k . Ghosh”的应用神经模糊系统:简要回顾和未来的轮廓,“应用软计算15卷,第259 - 243页,2014年。视图:出版商的网站|谷歌学术搜索
张炳扬。刘,彭译葶。叶,S.-J。李:“2型神经模糊模型在股票价格预测中的应用,”应用软计算杂志,12卷,不。4、1348 - 1358年,2012页。视图:出版商的网站|谷歌学术搜索
a . k .•r·库马尔和r·d·辛格“水文时间序列建模:自适应神经模糊之间的比较,神经网络和自回归技术,”《水文卷,442 - 443年23-35,2012页。视图:出版商的网站|谷歌学术搜索
a . Tettamanzi和m . Tomassini软计算:整合进化、神经模糊系统施普林格,纽约,纽约,美国,2001年。
答:亚伯拉罕”,适应使用神经模糊推理系统的学习,”模糊系统工程:理论与实践:Nedjah和l·d·m·Mourelle Eds。卷,181研究模糊性和软计算第三章页53 - 83,施普林格,纽约,纽约,美国,2005年。视图:谷歌学术搜索
d . Nauck和r·克鲁斯“NEFCLASS-J-a基于java的软计算工具,”智能系统和软计算卷,1804在计算机科学的课堂讲稿施普林格,页139 - 160年,纽约,纽约,美国,2000年。视图:谷歌学术搜索
c . m .主教神经网络模式识别,牛津大学出版社,纽约,纽约,美国,2000年。
d . Nauck美国Nauck, r·克鲁斯“NEFCLASS java new学习算法,”18学报》国际会议的北美模糊信息处理的社会,页472 - 476,纽约,纽约,美国,1999年7月。视图:谷歌学术搜索
r·c·冈萨雷斯和r·e·伍兹数字图像处理,第六章,Prentice Hall,鞍上游,新泽西,美国第3版,2008年版。
j·c·拉斯图像处理手册,泰勒和弗朗西斯,佛罗里达州博卡拉顿,美国第五版,2007年版。视图:MathSciNet
j·m·福肖鹦鹉的世界:一个识别指南美国新泽西州普林斯顿大学,普林斯顿大学出版社,2006年。

应用计算智能和软计算

文摘