[发明专利]基于模糊复集值积分的多神经网络分类器融合方法及装置

权利要求书

1.基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，所述方法包括：

步骤1，计算样例输入信息的模糊复值测度；

步骤2，对每一神经网络计算模糊复值积分值；

步骤3，判断神经网络分类器的类别；

步骤4，以模糊复集值积分作为融合算子对分类器进行融合；

步骤5，计算海明贴近度；

步骤6，对数据流进行分类并得到分类结果。

2.根据权利要求1所述的基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，在步骤1中，计算样例输入信息的模糊复值测度的方法为，

设是模糊复集值模糊测度空间，如果对于任意的均有其中λ＝Reλ+iImλ，Reλ,Imλ∈(-1,0)∪(0,+∞)，Reλ,Imλ分别为λ的实部与虚部，称模糊复集值模糊测度为λ-模糊复集值模糊测度，用g_λ表示一个λ-模糊复集值模糊测度，λ为模糊复集值模糊测度，设X＝{x₁,x₂,…,x_n}是一个有限集合，X→[0,1]×[0,1]是一个复函数，且有即复数值，且a₁≥a₂≥...≥a_n，是一个g_λ模糊复集值模糊测度,模糊复集值模糊测度的实部与虚部满足

的值由下式计算：

其中A_j＝{x₁,x₂,…,x_j}，

Reλ与Imλ由以下等式给出，

上式Reλ与Imλ存在性和唯一性由下列式子保证：

对固定的实数集{g^j},1<j≤m，存在唯一的实数λ∈(-1,+∞),λ≠0，满足

其中代表属于第j类的输出样本由子分类器判断为第k类，代表不属于第j类的输出样本由子分类器判断为第k类，当使用模糊复集值模糊测度计算模糊复集值积分时，第j个密度值μ^l的实部Reμ^l为信息x_j的重要程度。

3.根据权利要求2所述的基于模糊复集值积分的多神经网络分类器融合方法，其特征在于，在步骤2中，对每一神经网络计算模糊复值积分值的方法为，

设是复模糊集值模糊测度空间，

定义在上关于的模糊复集值积分为：

其中

这里，F_λ,α,1^-＝{z|Ref_λ^-(z)≥α}，F_λ,α,1⁺＝{z|Ref_λ⁺(z)≥α},

F_λ,α,2^-＝{z|Imf_λ^-(z)≥α}F_λ,α,2⁺＝{z|Imf_λ⁺(z)≥α}，

此时称在上关于复模糊集值复模糊可积，

设是模糊复集值模糊测度空间上的模糊复集值模糊可测函数，称为在上关于的模糊复集值积分，其中：α∈[0,∞)，离散的情形为：当X为有限集合，即X＝{x₁,x₂,...,x_n}，的实部和虚部都是正则的模糊测度时，复函数设模糊复集值积分为:

其中A_j＝{x₁,x₂,...,x_j}，A′_j＝{x_j,x_j+1,...,x_n}，

则模糊复集值积分值的离散型计算公式为：

其中A_j＝{x₁,x₂,…,x_j}，A′_j＝{x_j,x_j+1,…,x_n}。