开集分类识别要求分类器不仅能够“辨识”已知类别的测试样本,而且还要有效地“拒识”未知类别的测试样本;在光谱分析中有关的研究与应用相对较少。改进了Ishibuchi提出的经典的闭集框架下的模糊规则多类别分类器,将其应用于开集分类识...开集分类识别要求分类器不仅能够“辨识”已知类别的测试样本,而且还要有效地“拒识”未知类别的测试样本;在光谱分析中有关的研究与应用相对较少。改进了Ishibuchi提出的经典的闭集框架下的模糊规则多类别分类器,将其应用于开集分类识别领域。首先,使用主成分分析法进行原始光谱曲线向量的光谱维度约简,降维至4维~6维的光谱特征向量。其次,将Ishibuchi提出的模糊规则多类别分类器简化为二元分类器版本,采用1-vs-1二元分类器进行分类处理,并且确定该测试样本在相应类别的得票。最后,将所有二元分类器的投票数进行统计,如果某个已知类别的得票数最高,并且该最高得票数大于预先确定的阈值τ,那么测试样本判决为该已知类别;否则就“拒识”为未知类别,从而实现了多类别的开集分类识别。在实验验证中,对于木材和芒果光谱数据集进行了分组的对比实验,结果表明,本方法优于其他的主流的开集分类识别,包括基于广义基本概率分配(generalized Basic probability assignment,GBPA)的改进的开集框架下的模糊规则多类别分类器;具有最好的评价指标F-Score,Kappa系数及总体识别率。此外,还针对芒果光谱数据集的对比实验进行了双尾McNemar s Test统计检验,进一步表明该方法相对于其他的开集分类识别方法来说,具有统计检验意义的优势。展开更多
目前层次型或深度模糊系统性能优异,但是模型复杂度较高;而基于蒸馏学习的轻量型TSK(Takagi-Sugeno-Kang)模糊分类器主要以单教师知识蒸馏为主,若教师模型表现不佳,则会影响蒸馏效果和模型的整体性能;此外,传统的多教师蒸馏通常使用无...目前层次型或深度模糊系统性能优异,但是模型复杂度较高;而基于蒸馏学习的轻量型TSK(Takagi-Sugeno-Kang)模糊分类器主要以单教师知识蒸馏为主,若教师模型表现不佳,则会影响蒸馏效果和模型的整体性能;此外,传统的多教师蒸馏通常使用无标签策略分配教师模型输出的权重,容易使低质量教师误导学生。对此,本文提出了一种基于多教师自适应知识蒸馏的TSK模糊分类器(TSK fuzzy classifier based on multi-teacher adaptive knowledge distillation,TSK-MTAKD),以多个具有不同神经表达能力的深度神经网络为教师模型,利用本文提出的多教师知识蒸馏框架从多个深度学习模型中提取隐藏知识,并传递给具有强大不确定处理能力的TSK模糊系统。同时设计自适应权重分配器,将教师模型的输出与真实标签做交叉熵处理,更接近真实值的输出将被赋予更高权重,提高了模型的鲁棒性与隐藏知识的有效性。在13个UCI数据集上的实验结果充分验证了TSK-MTAKD的优势。展开更多
自顶向下的模糊模式树(pattern tree top-down,PTTD)是一种基于相似性度量的模式树归纳方法,在构建过程中采用集束搜索策略,以贪婪方式搜索候选树空间,导致模型构建时间较长。为了解决这一问题,提出一种基于模糊规则插值技术的PTTD优化...自顶向下的模糊模式树(pattern tree top-down,PTTD)是一种基于相似性度量的模式树归纳方法,在构建过程中采用集束搜索策略,以贪婪方式搜索候选树空间,导致模型构建时间较长。为了解决这一问题,提出一种基于模糊规则插值技术的PTTD优化方法(PTTD-FRI)。首先,设计了一种新的搜索优化策略,简化了模型构建的搜索空间,构造稀疏规则库;然后,提出了一种模糊模式树规则转换方法,将复杂的模糊模式树拆分为多条仅包含三角范数的模糊规则,并用三角余范数聚合;最后,引入模糊规则插值模块,通过简单的计算,进一步完善规则库,提升分类性能。实验结果表明,PTTD-FRI在保持相近分类准确率的情况下,有效提升了模型训练效率,降低了模型复杂度。展开更多
为增强电子档案资料管理水平,设计一种基于单标签射频识别(radio frequency identification,RFID)的电子档案分类管理系统。使用RFID搭建系统框架,通过中心数据库、终端管理器模块实现RFID数据存储与传输,运用文件管理、档案管理、开发...为增强电子档案资料管理水平,设计一种基于单标签射频识别(radio frequency identification,RFID)的电子档案分类管理系统。使用RFID搭建系统框架,通过中心数据库、终端管理器模块实现RFID数据存储与传输,运用文件管理、档案管理、开发利用及系统维护4个模块完成电子档案分类管理日常运维;引入模糊聚类算法提取电子档案数据信息熵,使用关联规则实现数据融合与自主调度,特征分解数据运行状态信息,并通过神经网络组建分类器对电子档案分类。实验结果证明:该系统运行时能实现高负载均衡,且CPU利用率低,在分类管理方面拥有准确率高、响应速率快等优势。展开更多
文摘开集分类识别要求分类器不仅能够“辨识”已知类别的测试样本,而且还要有效地“拒识”未知类别的测试样本;在光谱分析中有关的研究与应用相对较少。改进了Ishibuchi提出的经典的闭集框架下的模糊规则多类别分类器,将其应用于开集分类识别领域。首先,使用主成分分析法进行原始光谱曲线向量的光谱维度约简,降维至4维~6维的光谱特征向量。其次,将Ishibuchi提出的模糊规则多类别分类器简化为二元分类器版本,采用1-vs-1二元分类器进行分类处理,并且确定该测试样本在相应类别的得票。最后,将所有二元分类器的投票数进行统计,如果某个已知类别的得票数最高,并且该最高得票数大于预先确定的阈值τ,那么测试样本判决为该已知类别;否则就“拒识”为未知类别,从而实现了多类别的开集分类识别。在实验验证中,对于木材和芒果光谱数据集进行了分组的对比实验,结果表明,本方法优于其他的主流的开集分类识别,包括基于广义基本概率分配(generalized Basic probability assignment,GBPA)的改进的开集框架下的模糊规则多类别分类器;具有最好的评价指标F-Score,Kappa系数及总体识别率。此外,还针对芒果光谱数据集的对比实验进行了双尾McNemar s Test统计检验,进一步表明该方法相对于其他的开集分类识别方法来说,具有统计检验意义的优势。
文摘目前层次型或深度模糊系统性能优异,但是模型复杂度较高;而基于蒸馏学习的轻量型TSK(Takagi-Sugeno-Kang)模糊分类器主要以单教师知识蒸馏为主,若教师模型表现不佳,则会影响蒸馏效果和模型的整体性能;此外,传统的多教师蒸馏通常使用无标签策略分配教师模型输出的权重,容易使低质量教师误导学生。对此,本文提出了一种基于多教师自适应知识蒸馏的TSK模糊分类器(TSK fuzzy classifier based on multi-teacher adaptive knowledge distillation,TSK-MTAKD),以多个具有不同神经表达能力的深度神经网络为教师模型,利用本文提出的多教师知识蒸馏框架从多个深度学习模型中提取隐藏知识,并传递给具有强大不确定处理能力的TSK模糊系统。同时设计自适应权重分配器,将教师模型的输出与真实标签做交叉熵处理,更接近真实值的输出将被赋予更高权重,提高了模型的鲁棒性与隐藏知识的有效性。在13个UCI数据集上的实验结果充分验证了TSK-MTAKD的优势。
文摘自顶向下的模糊模式树(pattern tree top-down,PTTD)是一种基于相似性度量的模式树归纳方法,在构建过程中采用集束搜索策略,以贪婪方式搜索候选树空间,导致模型构建时间较长。为了解决这一问题,提出一种基于模糊规则插值技术的PTTD优化方法(PTTD-FRI)。首先,设计了一种新的搜索优化策略,简化了模型构建的搜索空间,构造稀疏规则库;然后,提出了一种模糊模式树规则转换方法,将复杂的模糊模式树拆分为多条仅包含三角范数的模糊规则,并用三角余范数聚合;最后,引入模糊规则插值模块,通过简单的计算,进一步完善规则库,提升分类性能。实验结果表明,PTTD-FRI在保持相近分类准确率的情况下,有效提升了模型训练效率,降低了模型复杂度。
文摘为增强电子档案资料管理水平,设计一种基于单标签射频识别(radio frequency identification,RFID)的电子档案分类管理系统。使用RFID搭建系统框架,通过中心数据库、终端管理器模块实现RFID数据存储与传输,运用文件管理、档案管理、开发利用及系统维护4个模块完成电子档案分类管理日常运维;引入模糊聚类算法提取电子档案数据信息熵,使用关联规则实现数据融合与自主调度,特征分解数据运行状态信息,并通过神经网络组建分类器对电子档案分类。实验结果证明:该系统运行时能实现高负载均衡,且CPU利用率低,在分类管理方面拥有准确率高、响应速率快等优势。
