[发明专利]基于主动学习的模糊神经网络样本选择方法

权利要求书

1.一种基于主动学习的模糊神经网络样本选择方法，其特征在于，包括如下步骤：

a)请求用户对从未经训练的样本中随机选取的第一小部分样本进行标记以形成样本训练集，并利用所述样本训练集训练所述模糊神经网络，从而得到经训练的分类器；

b)请求用户对从未经训练的样本中随机选取的第二小部分样本进行标记，以在所述分类器上对所述第二小部分样本进行类别测试；

c)根据所述测试的结果将所述第二小部分样本中的某些样本加入所述样本训练集；及

d)利用所述经加入的训练样本集重新训练所述分类器，得到新的所述分类器。

2.如权利要求1所述的方法，其特征在于，步骤b)中，所述类别测试包括利用所述分类器获取所述第二小部分样本的类别信息，其中：

若所述类别信息与用户标记结果不一致，则分别选择被误分程度最大和最小的样本加入所述样本训练集中；

若所述类别信息与用户标记结果一致，则选择对分类效果贡献信息较大的样本加入到所述样本训练集。

3.如权利要求2所述的方法，其特征在于，所述误分程度最大和最小的样本分别为离所述分类器的分类界面最远和最近的样本。

4.如权利要求3所述的方法，其特征在于，所述离所述分类界面最远和最近的样本分别为隶属度值最大和最小的样本。

5.如权利要求2所述的方法，其特征在于，所述对分类效果贡献信息较大的样本为确定性程度较低的干扰样本。

6.如权利要求5所述的方法，其特征在于，所述确定性程度较低的干扰样本为隶属度低于阈值的样本。

7.如权利要求1所述的方法，其特征在于，还包括如下步骤：

e)利用测试样本集对所述分类器模型进行测试，其中，若测试结果满足用户要求则结束样本选择，若所述测试结果不满足用户要求则再执行步骤b)。

8.一种基于主动学习的模糊神经网络样本选择装置，其特征在于，包括：

-样本训练集形成模块，其请求用户对从未经训练的样本中随机选取的第一小部分样本进行标记以形成样本训练集；

-训练模块，其利用所述样本训练集训练所述模糊神经网络，从而得到经训练的分类器；及

-判定模块，其在所述分类器上对从未经训练的样本中随机选取的第二小部分样本进行类别测试，并根据所述测试的结果将所述第二小部分样本中的某些样本加入所述样本训练集；

其中，所述样本训练集形成模块请求用户对从未经训练的样本中随机选取的第一小部分样本进行标记以形成样本训练集，并利用所述训练模块通过所述样本训练集训练所述模糊神经网络，从而得到经训练的分类器，并且其中所述判定模块利用所述训练模块通过所述经加入的样本训练集重新训练所述分类器，得到新的所述分类器。

9.如权利要求8述的装置，其特征在于，所述类别测试包括利用所述分类器获取所述第二小部分样本的类别信息，其中：

若所述类别信息与用户标记结果不一致，则分别选择被误分程度最大和最小的样本加入所述样本训练集中；

若所述类别信息与用户标记结果一致，则选择对分类效果贡献信息较大的样本加入到所述样本训练集。

10.如权利要求9所述的装置，其特征在于，所述误分程度最大和最小的样本分别为离所述分类器的分类界面最远和最近的样本。

11.如权利要求10所述的装置，其特征在于，所述离所述分类界面最远和最近的样本分别为隶属度值最大和最小的样本。

12.如权利要求9所述的装置，其特征在于，所述对分类效果贡献信息较大的样本为确定性程度较低的干扰样本。

13.如权利要求12所述的装置，其特征在于，所述确定性程度较低的干扰样本为隶属度低于阈值的样本。