沙特国王大学学报基于相似性和小波变换的模糊神经网络数据划分与Pramoda Patroa，Krishna Kumarb，G.Suresh Kumarc，Gandharba Swainda印度安得拉邦Guntur，Vaddeswaram 522502，Koneru Lakshmaiah教育基金会数学系b麻省理工学院工程学院数学系，麻省理工学院艺术设计与技术大学，Loni Kalbhor，412201，印度浦那c印度安得拉邦贡图尔，瓦德斯瓦拉姆522502，科内鲁·拉克什迈亚教育基金会数学系d计算机科学与工程系，Koneru Lakshmaiah教育基金会，Vaddeswaram 522502，Guntur，Andhra Pradesh，印度阿提奇莱因福奥文章历史记录：收到2020年2020年5月28日修订2020年6月3日接受2020年6月11日在线提供关键词：分类模糊规则神经网络特征选择蝙蝠优化A B S T R A C T函数逼近在经济、工程、计算、分类和预测等许多不同领域都是一项重要的任务。从有限的数据集中，函数逼近方法的基本任务是找到变量与其相应响应之间的合适关系。近年来，人们提出了一种改进的神经网络，它包含了直观的、可解释的相关轮廓模糊规则，用于分类任务。然而，所获取的数据集可能包含大量的数据和噪声，这降低了模型的分类能力并增加了计算时间。因此，重要的是要考虑这个问题，而不是集中在最近的现有工程。此外，在第二层中还存在一些神经元正则化问题。为了解决这个问题，在这个建议的系统蝙蝠优化的特征选择提出了最佳的选择功能，从可用的数据集。然后使用增强的神经网络进行分类，包括直观和可解释的相关轮廓模糊规则（EC-FR）。在模糊规则提取的基础上，提出了基于相似性的方向分量数据划分框架和云数据生成模型。神经元的权值和偏置值通过自适应小波函数计算最后，模糊神经网络的参数进行微调，使用混合蚁群粒子群优化（HASO）。性能主要根据后续指标进行评估，如精确度，召回率，准确度和错误率。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍系统建模在通信、模式识别、控制系统、医学、Web推荐和文本分类等工程领域发挥着重要作用根据数学工具，系统全局函数的计算是在传统的方法。在不确定和定义不明确的系统中，会产生令人不满意的结果一个神经网络或模糊逻辑为基础的无模型方法用于纠正这些问题。近似函数对应于神经网络或模糊系统函数。未知映射*通讯作者：印度安得拉邦贡图尔，瓦德斯瓦拉姆522502，科内鲁·拉克什迈亚教育基金会沙特国王大学负责同行审查使用这些方法计算函数近似（Yu等人，2017年; Han等人，2017年）。模糊神经网络（FNN）是一个新兴的领域，由神经网络和模糊逻辑两种范式给出。各种结果表明，模糊神经网络可以更好地进行系统建模。在现有的模糊神经网络中，BP算法被用于训练系统学习速度慢是BP算法的一个主要缺点。这是由于局部最小值捕获引起的。所以，在实时，但是很难实现（Su等人， 2017年，李和杨。2016年; Liu等人，2016年）。提出了一些特殊的模糊神经网络，包括模糊权值和模糊神经元。用典型的模糊神经网络方法构造了一个标准神经网络。一个模糊系统通过设计这种神经网络结构来近似。在本建议方法中使用以下方法。定义一个特定的隶属函数，并根据专家的知识，尝试和错误，它用于定义规则的数量。采用BP学习算法或混合算法对参数进行修正。各种模糊神经网络的结构识别仍然是https://doi.org/10.1016/j.jksuci.2020.06.0031319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comP. Patro等人/沙特国王大学学报3425一种具有挑战性的方法（Huang等人，2017; Yu和Zhang，2016;Han等人， 2018年）。为了避免这些问题，在最近的工作中，一个改进的神经网络，包括直观的，可解释的相关轮廓模糊规则的分类任务。然而，所获取的数据集可能包含大量的数据和噪声，这降低了模型的分类能力并增加了计算时间。因此，重要的是要考虑这个问题，这是不是集中在最近的作品。此外，在第二层中也存在一些神经元正则化问题（Otadi和Mosleh. 2016年）。为了解决这个问题，在这个建议的系统蝙蝠优化的特征选择提出了最佳的选择功能，从可用的数据集。然后用一个包含直观的、可解释的相关轮廓模糊规则（EC-FR）的增强型神经网络进行分类根据模糊规则提取，一个合适的框架是一个内置的基于相似性的方向组件的数据分割。提出了第二层云数据的生成模型神经元的权值和偏置值通过自适应小波函数计算最后，模糊神经网络的参数将使用混合蚁群粒子群优化（HASO ）（DeCampos Souza等人，2019;Patro等人， 2020年）。2. 文献综述Zobeidi等人（2017）使用神经网络分类器对文本进行分类。最初，预处理的五个步骤被应用于文本数据和特征提取的三个步骤被应用。使用主成分分析（PCA）降低特征的维数最后，使用一个多层次模糊最小最大神经网络分类器（MLF），这是一个监督的方法进行文本分类三种主要方法用于性能比较。在Reuters-21578数据集上，MLF方法产生了约94%的准确结果 Abubaker等人（2017）使用模糊前馈反向传播神经网络（ACFNN）来扩展关联分类器。在乳房X射线摄影背景下，它被用作有效的 使用前馈反向传播神经网络（ACNN）的关联分类器用于与建议ACFNN的性能比较。所提出的ACFNN的结果显着改善。约95.1%的准确结果产生的建议ACFNN，而93.7%的结果产生的ACNN。Hossain和Rahaman（Hossain和Rahaman，2018）使用自适应神经模糊推理系统（ANFIS）对恶性和良性骨癌进行为了训练和测试，ANFIS网络使用MR图像和灰度共生矩阵（GLCM）特征。对采集到的图像采用交叉验证的方法形成图像的训练集和测试集。专属性、灵敏度和准确度指标用于评价拟定方法的性能。在骨癌的分类中，所提出的方法产生 Singh等人（2017）扩展了ENF，提出了神经模糊模型。对于每一个特征，计算的语言变量较少，这使得该方法的新颖性。以最佳的准确性和解释，分类规则在重要的语言变量中生成该模型使用六个不同的数据集进行测试。使用10倍交叉验证进行性能比较与其它模型相比，该模型的计算结果更Sujana等人（2017）提出了一种特征选择方法，该方法是用于选择重要信息的预处理步骤最佳特征子集的选择是一个优化问题，已经解决了几个版本的元启发式算法。超启发式优化算法rithm基于杜鹃鸟的行为，并行布谷鸟搜索优化（PCSO）算法。将PCSO的探索能力与朴素贝叶斯（NB）分类器的速度相结合，提出了一种基于PCSNB的并行布谷鸟搜索的包装器方法，用于寻找最大化准确率的特征子集.所提出的方法在七个不同的数据集上进行了测试，这些数据集具有平衡和不平衡类，并与其他元启发式算法进行了对比（表1）。Al-Tashi等人（2019）提出了一种混合GWO与CSA，即GWOCSA，它有效地结合了两种算法的优势，旨在生成有希望的候选解，以便有效地实现全局最优。为了验证所提出的混合GWOCSA的能力，本文使用了一组广泛使用的23个基准测试功能，具有广泛的本文将该算法与其他10种算法的结果进行了比较，以验证该算法的有效性。统计结果表明，GWOCSA算法在避免局部最优解能力强、收敛速度快等方面优于GWO算法的最新变种--增强型灰狼优化算法（EGWO）和增广型灰狼优化算法（AGWO）。此外，为了证明该算法在解决复杂现实问题中的适用性，还将GWOCSA用于解决特征选择问题。GWOCSA作为一种功能选择方法进行了测试，从加州大学欧文分校的存储库获得的21个广泛采用的数据集。实验结果进行了比较，国家的最先进的特征选择技术，包括本地GWO，EGWO，和AGWO。结果表明，GWOCSA在解决特征选择问题上具有综合优势，证明了该算法在解决现实世界中复杂问题时的能力Rani和Ramyachitra（2018）提出了一种应用微阵列癌症基因表达数据对癌症疾病进行分类的本文的工作主要集中在两个方面，第一是采用一种新的群智能技术，即蜘蛛猴优化算法进行癌症基因特征选择，以最小化癌症数据中的特征数量。第二个目标是通过采用由第一个目标获得的基因特征的子集来对癌症数据进行所提出的方法已经对各种基准癌症数据集进行了实验，并且它表明所提出的方法在最小特征数量和最大特征数量方面最大分类精度。3. 拟议方法在这一部分中，详细介绍了所提出的系统，它包括4个过程：第一个是蝙蝠优化的基础上的特征选择，第二个是可解释的模糊规则的功能第三，根据模糊规则的提取，建立了一个合适的框架，其中基于相似性的方向分量的数据划分。提出了第二层云数据的生成模型神经元的权值和偏置值通过自适应小波函数计算。最后，采用蚁群算法和粒子群算法的图1示出了所提出的工作总体架构。3.1. 使用BAT优化的蝙蝠算法，这是一种启发式方法用于选择的特征。这是一个met启发式算法。优化的过程3426P. Patro等人/沙特国王大学学报2-我我我我输入：鲍鱼年龄预测数据集使用BAT算法进行特征选择分类使用EC-FR使用HASO进行性能结果表1从现有作品中推断。S.没有作者姓名方法案情缺点1.（Zobeidi等人，（ 2017年）多级模糊减少执行时间需要使用深度学习来改善结果2（Abubaker等人，（2017年）网络分类器模糊前馈反向传播提供更好的分类需要应用规则细化流程3（Hossain和rahaman，神经网络自适应神经模糊推理系统结果提供93.75%的准确性需要针对不同类型的骨肿瘤42018年）（Singh等人，（2017年）神经模糊模型优于现有机型它并不确定显著的广义5（Sujana等人，（2017年）布谷鸟搜索优化最大限度地提高准确性规则的顺序耗时的性质。6（Al-Tashi等人， 2019年度）具有CSA的提供高精度未使用真实世界数据集进行测试。7（Rani和Ramyachitra，2018）蜘蛛猴优化算法提供最高的分类精度。它不用于其他数据集。Fig. 1. 拟议工作的总体架构。函数最小化或最大化是最优化中的一个主要问题。无穷举解的问题用于优化过程。随机化用于COM-fi¼fmin最小值fmax-fmin最小值b1vt¼vt-1 xt-xωfi2以最佳的最佳方式提出最佳的解决方案（Al-Betar等人，我我我2018; Ali，2014）。蝙蝠的回声定位特性被用于蝙蝠算法-xt¼xt-1vtð3ÞRithms更具体地说，微型蝙蝠被用于此。艾可是超级的声波的声音在高频率，这是一个非常响亮的。小猎物定义了蝙蝠的生活蝙蝠用回声来寻找它们为了捕捉猎物，在不同的时间间隔，间歇性地使用这种声音。该算法就是基于这一过程而设计的。响度、340 m/s的速度、波长和频率是该算法中使用的各种参数。根据猎物和蝙蝠之间的距离，声音会有所不同，而且声音很大。蝙蝠算法的三个基本假设或规则如下。食物和猎物之间的区别是由蝙蝠自动知道的，距离是通过回声定位来估计的。存在一个蝙蝠的位置x，速度v。为了寻找猎物，蝙蝠随机飞行，具有响度A0，变化的波长和固定的频率。蝙蝠可以自动改变发射脉冲的频率或波长。根据猎物和蝙蝠之间的距离，脉冲发射率由蝙蝠自动控制（Wulandhari等人， 2018年）。响度值介于下限和上限之间。为了降低计算复杂度，在上述假设的基础上，采用直接变频的方法形成整数波长。速度被认为是340米/秒。的EQ。（1）定义了蝙蝠算法中蝙蝠的运动，并从基础上定义了蝙蝠其中，随机向量表示为等式中的b。（1）服从均匀分布。它介于0和1之间。蝙蝠频率由fi表示，当前全局最佳解表示为x*，并且速度调整在等式（1）中定义。（二）、在每一次迭代中，在所有n个蝙蝠之间，比较解决方案以找到该最佳解决方案。的EQ。（3）定义蝙蝠的位置和位置更新，用于计算随机数的生成。在当前最佳解周围，生成一个新位置，如果脉冲发射率ri小于一个随机数，并且下面的表达式显示了这一点，x新1/4x旧1/2At1/4A其中随机数表示为它位于一赔一的EQ。（4）定义最优解中的局部解。在当前迭代中，所有蝙蝠的平均响度表示为Ai，Ai表示响度，f（xi）f（x）。更新脉冲发射速率ri，如果响度Ai大于随机数，则接受解决方案。下式（5）用于更新ri和Ai。At1aAt;rt1ro½1-exp-ct]5P. Patro等人/沙特国王大学学报3427n←Dn xi第1页←I¼千分我K7Þ.ΣBat算法：蝙蝠的种群被初始化（鲍鱼数据样本）xi（i = 1，2，n）和vi在xi处，脉冲频率fi被定义为响度Ai，并且脉冲速率ri被定义为目标函数（精度）f（x），x=（x1，xd）TWhile（t最大迭代次数）调整频率、位置或解更新和速度更新，以使用表达式（2）至（4）生成新的解。如果（r和> ri）在最佳解决方案中，选择一个解决方案。在选定的最优解周围，生成局部解end if随机飞行以生成如果（rand Aif（xi） 1。Pnpn。xj规则应该是不可分割和相互关联的。这些不可分离且相关的模糊规则表示为，我是说... -1X-M6由方程式（6），M指定山中心，指定权重矩阵以生成不可分离的模糊规则相关轮廓。当然可以。定义模糊规则轮廓方向和形状（Ebadzadeh和Salimi-Badr，2018）。通常，功能景观点中的丘陵中心因此，局部极大值相应地，规则中心（第i个规则的Mi）获得训练样本。其次，矩阵。i为第i个模糊规则（i = 1;2; R ），定 义了与覆盖相同的模糊规则轮廓景观功能中的丘陵轮廓在下面的Eq。（7）、矩阵. 确定i对i次模糊规则，以纠正后续的优化危机，从而提取包含轮廓的模糊规则（最大f¼PR1PN1lXk：yω我我2 npn XJ对于唯一的数据样本，它被定义为全局密度。它包括流或数据集中数据样本的重复次数。唯一样本局部密度与该样本的重复次数的乘积表示特定的唯一数据样本u i（i = 1，2，.. . nu;nu> 1）。该唯一数据的权重因子在等式中表示。（十）、DGuifiDnui10递归更新主要EDA组件，如上述等式中的全局密度。（10），局部密度（D）累积接近度在等式（11）中完成。（九）、流数据可以使用SODA算法在线处理。在演化过程中，数据组密度更新由此产生（Tanget al.，2016; Koduri等人，2018; Biswas等人， 2019年）。在该算法中使用以下步骤阶段1-准备：在每个输入数据对x1，x2，.. . ，xn，计算平均值。平方欧氏dM并且计算平方角dA：受：我. . .1/4qK不不不第二阶段-DA平面投影：使用唯一的数据样本，不密度被称为u1。第一个参考对应于此由方程式 （7），lXe-Xk-MtT. -一个. -1x-M是模糊规则第k个输入样本Xk对第i个模糊规则的隶属度值，yωkspec，定义第k个输入样本（Xk）初始设置中的值，_1u 1。第一个DA平面原点对应-对此，我们用P1表示。其中，在数据空间中，可用DA平面的数量由Lc表示。ð9ÞQDA投影操作它在全球范围内具有非常重要的意义3428P. Patro等人/沙特国王大学学报X22X联系我们ij;ij;IJ联系我们IJIJ伊杰我第1页IJ阶段3-确定焦点：计算每个DA平面DA表示为Pe。我是。zwblbije-。Z-w阶段4-形成数据云：假设DA平面的原点为焦点，并将其表示为o。这是在识别所有DA平面峰和模式的数据密度之后完成的。基于Voronoi曲面细分，它们被用来形成数据云。聚类思想和数据云的理论是相同的，但有一些特征差异，如：（i）数据云的非参数性质，（ii）数据云没有指定的形状，（iii）真实数据分布由数据云表示。4- 模糊规则层：模糊规则由每个神经元表示。前一层的输出应用T-Norm算子，以找到隶属度值。由于变换提取的特征具有非交互性，因此使用T-Norm算子构造提取的高级特征空间和模糊规则。内积被认为是计算每个模糊规则的隶属函数定义在方程的T-范数算子。（十四）、它表示为，偏差和权重更新lXPni lð14Þ用小波函数推得。它们不是以随机的方式计算的。本文采用离散Meyer小波变换.由于小波变换能够检测信号中的主频率，因此数据压缩方法最有可能使用这些小波方法。在变换中，应用了五个层次的分解分析的情况下，小波分析允许检测的5- 输出层：在最后一层，有一个线性神经元。网络的输出由该层提供。神经元的输入对应于模糊规则层的权向量（w）和输入向量的内积表示神经元的输出。在随后的部分中，这些参数起着重要的作用。输出层中的神经元的激活函数是RAF。模型输出表示为，L通过使用这些水平，在调查的配置文件中的干扰这种干扰在分析系数图时特别容易注意到也可以明确定义在哪里y¼符号fj¼0英国皇家空军ð15Þ出现这种扰动应用滤波器组计算离散小波变换。 高通滤波器系数h = h[n]，n Z和低通滤波器系数g = g[n]，nZ定义滤波器组。在离散小波变换中，每个系数都是列表的。子采样算子对应于两个算子（;2）。允许使用此操作符。如果应用此函数，则离散函数中的组件数量将减半。仅计算偶数位置的组件，并产生更精确和快速的结果。使用滤波器g和h的线性运算，并且它们与输入x进行卷积（Biswas等人， 2019年）。Rkgkxn-kgωx11hkxn-khωx12通过滤波器将信号分解为两个频带。上面的Eq。（11）Eq.（12）定义了离散函数的卷积运算。子采样算子用于实现滤波器组序列。在每个滤波器组中，由于该滤波器组串联，采样频率被除以2。小波变换中每一级滤波器的输出都用于FNN第二层的训练。允许体重更新。最初，权重以随机方式分配。基于小波滤波器输出，它们被分配。因此，可以并行地训练模糊神经网络。该方法能更好地表示模糊神经元的偏置和权值在第二层的架构中，初始向量将具有lc值在小波变换应用后，得到的矢量中存在一个lc元素高频由部分矢量表示，低频由部分矢量表示。通过对输入数据应用小波变换来形成向量w1。细节移除功能应用于该向量。当前图层的输出大小和获得的矢量大小相似。这用于执行训练，这将导致向量/1。如果FNN隐层中存在7个神经元，则向量w1的前7个值仅用于权值分配。不考虑其他值神经元的权重分配有高滤波器值，偏置分配有低滤波器值。利用小波变换进行权值和偏置的随机分配类似于此过程。根据数据库的特征，将其提交给模型，并定义这两个参数。3-模糊集层：在模糊规则中，为了提取高级特征，在等式中定义了具有不同形状的计算模糊集。（十三）、第i个高级特征向量成员的Trail函数第j维Ship值给出为，由方程式（15）偏置表示为v0，隐层模糊神经元输出表示为zj，神经元权重表示为vj，j = 1，. . ，l和z0= 1。FNN的预测精度取决于激活函数的类型和隐含层的数目3.3. 基于混合蚁群粒子群优化算法的参数微调在这项工作中，增强型模糊神经网络参数调整使用混合蚁群粒子群优化（HASO）方法。为了在应用适当的初始化方法期间微调导出的参数，需要一种有效的局部搜索方法。在所提出的结构定义中，使用了不同域中的四组参数。在每一个参数组中，引入一个参数向量（c = 1; 2;3; 4）来包含该组中的所有参数。在R模糊规则下，对于模糊神经网络，参数向量由/1，/2，/3和/4 给 出。n维输入空间的结构具有以下参数。它们是调节器参数（b）、控制部分参数（W）、新空间中的模糊规则中心参数（W）和变换矩阵参数（T）。PACO（Paral-lelAntColonyOptimization）算法将粒子群优化算法的优点与蚁群算法的优点相结合客户聚类以及路线构建可以由ACO同时完成（Dhar等人，2017; Patro等人，2018; Patro等人，2017年）。这是ACO的最大优势。在火车上，信息素长期记忆说谎需要更多的时间，就像蚂蚁的沟通媒介。粒子群算法通过记忆全局最优解和个体最优解来指导搜索方向。这使得趋同的进程成为一个迅速的进程。这是PSO的另一个优点。PACO算法与PSO算法一样，允许蚂蚁共享群体最佳解信息。Pbest和Gbest解路径被信息素强化这使得PACO算法收敛速度较快。为了解决信息素停滞、短期记忆重置和信息素扰动等问题，采用精英保留策略避免陷入局部最优。当前的解决方案的第一次迭代最好的蚂蚁进行局部搜索。在构建完整的解决方案后允许该过程所有蚂蚁的Gbest和Pbest解在此之后更新精英蚂蚁对应于具有最佳P最佳解的蚂蚁这些精英蚂蚁用于进行信息素的更新精英蚂蚁在其最优解路径上分布信息素基于解决方案的质量，信息素被更新，¼Þ基于神经元的性质，它们的权重和偏置是一致的。P. Patro等人/沙特国王大学学报3429精英的方法在Pbest解的分布路径周围，吸引蚂蚁搜索其解在给定的迭代次数范围内，PACO对信息素进行扰动，改变信息素的轨迹，随机寻找解，对Gbest解有一定的改进。精英蚂蚁Pbest的高度优势步骤8.如果迭代次数达到最大迭代次数MaxIte，则移至步骤9否则，转到步骤2计算下一次迭代。步骤9. Gibes输出尚未找到的最佳解决方案。提出的EC-FR方法及其伪码通过信息素的干扰避免了解路径在pher之后-一个令人不安的影响，顶端蚂蚁的Pbest安排的方式可能会再次成为流行的事实，即它们目前可以带出当前Pbest安排的回忆，这些安排决定了铺设信息素的方法。 为了避免这种情况，计算应该使蚂蚁能够重新设置它们的Pbest安排。 这意味着蚂蚁将处理它们当前的Gbest和Pbest排列，并在伴随的强调中找到新的，如被打乱的信息素踪迹所指示的。计算允许任何地下昆虫，不限于顶端蚂蚁，改变其Pbest安排，如果和只是如果它的Pbest安排基本上是相同的Gbest安排。信息素扰动、信息素更新、Pbest和Gbest更新、局部搜索、解的构造是PACO算法的主要步骤。考虑在仓库开始的蚂蚁顾客是由每一只蚂蚁挑选出来的。应用ACO状态转移规则构造了一个解. 在所有蚂蚁完成解的构造后，通过执行局部搜索来增强前r个最佳蚂蚁的解Pbest解和Gbest解。所有蚂蚁的短期记忆都在更新基于精英蚂蚁Pbest解和Gbest解，用PACO算法对信息素路径进行更新如果在w次连续迭代中Gbest不被增强，则通过PACO执行信息素扰动来修改当前信息素踪迹一些蚂蚁Pbest解被PACO重置 这避免了在类似的路线上铺设信息素（Patro等人， 2019年）。PACO在以下步骤中定义步骤1. - 是的步骤2.解构造是指解路由是由蚂蚁构造的。步骤3.局部搜索由top r最好的蚂蚁执行步骤4.蚂蚁Pbest和Gbest解决方案已更新。R精英蚂蚁被选中。步骤5.移动到步骤6，如果在w次连续迭代内，Gbest未被否则转到步骤7。步骤6.然后，干扰信息素，即信息素矩阵随机分布。对于一些蚂蚁，Pbest解决方案被重置。然后移动第8步。步骤7.更新信息素。根据精英蚂蚁Pbest更新pher-omone矩阵算法：增强的神经网络，包括直观的，可解释的相关轮廓模糊规则。输入：鲍鱼数据集输出：分类样本1. 开始2. 输入abalone数据集3. 使用BAT进行4. 计算每个要素5. 选择并比较适应度值6. 生成新的最佳特征集。7. 向模糊神经网络8. 提取模糊规则9. 使用HASO10. 利用小波变换11. 计算成员资格值12. 得到最终的机密输出。13. 别说了4. 结果和讨论本节将检查拟议模型的实验输出。该模型是在MATLAB的帮助下实现的。提出的基于模型的神经模糊系统与现有的直观、可解释和相关轮廓模糊规则（IC-FNN）、混合混合蚁群优化遗传算法（HACOGA）、混合蚁群粒子群优化算法（HASO）与提出的增强型神经网络（包括可解释、直观、相关轮廓模糊规则（EC-FR））相比，在召回率、准确率、准确度和F-度量。鲍鱼年龄的确定是通过染色、锥壳切割和在显微镜下计数年轮来进行的，这是一项耗时而枯燥的工作。年龄是通过使用容易获得的因素来确定的。本工作使用7折交叉验证技术对结果进行验证。此外，对该数据进行方差分析统计检验。图 2说明了现有的IC-FNN，HACOGA和HASO技术的性能比较结果，并提出了1009080706050403020100IC-FNNHACOGAHASO方法图二. 精密度结果与分类方法。精密度（%）3430P. Patro等人/沙特国王大学学报IC-FNNHACOGAHASO1009080706050403020100IC-FNNHACOGAHASOECFR方法图三. 召回结果与分类方法。1009080706050403020100方法见图4。准确度结果与分类方法。EC-FR格式在精度方面的在上图中，X轴表示不同的方法，Y轴表示精度值在所提出的模糊神经网络中，数据划分采用自组织的方法，避免了额外的神经元的产生。这提高了模糊神经网络分类器的真阳性率，从而提高了所提出的工作的精度结果比其他方法。 从结果可以看出，新引入的EC-FR模型产生了77.8418%的精度结果，而现有的IC-FNN、HACOGA和HASO技术分别产生了51.7494%、52.2679%和57.7735%的精度结果（图3和图4）。与分类器IC-FNN，HACOGA技术和HASO与建议的EC-FR方案见上图。在上图中，X轴和Y轴表示不同的方法，并表示Recall值。结果表明，新引入的EC-FR模型的召回率为98.7634%，而现有的IC-FNN、HACOGA和HASO技术的召回率分别为80.4425%、89.8709%和92.9814%上图通过比较IC-FNN、HACOGA、HASO技术和建议的EC-FR方案等分类器的准确性，显示了所提出的工作的有效性。在Bat优化中，计算所有特征的适应度评估，通过选择更相关的特征来提高分类精度。结果表明，新引入的EC-FR模型能够较好地模拟实际情况，准确度（%）召回率（%）P. Patro等人/沙特国王大学学报34311009080706050403020100IC-FNNHACOGAHASO ECFR方法图五. F-测量结果与分类方法。IC-FNN 、 HACOGA 和 HASO 技 术 的 准 确 率 分 别 为 82.7113% 、88.4190%和93.6508%。图5示出了在可用的IC-FNN、HACOGA和HASO技术上进行的性能比较的结果，以及在F测量方面提出的在这项工作中，信息素矩阵被用来优化模糊神经网络参数初始化的最佳值，从而减少了分类错误，并提高了所提出的系统的精度和召回率的结果，通过f-测量结果增加，这是在上图中所示。从结果中可以看出，新引入的EC-FR模型产生了87.0634%的精确度结果，而现有的IC-FNN、HACOGA分别产生了62.9819%、66.9186%和70.3333%的精确度结果（表2和表3）。表2属性信息。属性数据类型测量解释性标称–M、F和I（婴儿）长度连续mm最长壳体测量直径连续mm垂直于长度高度连续mm带壳的肉整个重量连续克全鲍去壳重量连续克鲍鱼重量脏器重量连续克肠重（出血后）层量连续克干燥后环整数–+1.5给出年龄（以年为单位）表3性能比较结果值。方法精度召回精度F-measureIC-FNN51.749480.442582.711362.9819哈科加52.267989.870988.419066.9186HASO57.773592.981493.650870.3333EC-FR77.841898.763497.841787.06345. 结论和今后的工作本文提出了一种新的基于增强型神经网络的分类方法，该方法包含了可解释的、直观的相关轮廓模糊规则（EC-FR），通过一种称为bat的优化方法从输入样本中选择在第二层中，根据模糊规则提取，采用基于相似性的数据划分和云数据形成的方向性组件，构建了一个合适的框架在所提出的框架中，神经元的权重和偏置值通过自适应小波函数来计算。最后，采用蚁群算法和粒子群算法相结合的方法对模糊系统的参数进行整定。实验结果表明，该模型在查准率、准确率、查全率和错误率等方面具有较好的性能蝙蝠算法存在早熟收敛问题，容易陷入局部极小.为了选择最佳特征，我们需要在未来使用其他优化算法。此外，该框架不能很好地解决多类分类问题，将来可以使用其他分类器进行改进。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Abubaker，N.F.，Azman，A.，Doraisamy，S.和穆拉德，M.A.A.，2017.一种用于有效乳腺X线摄影分类的关联分类和神经模糊方法的集成方法。Neural Computingand Applications，28（12），pp. 3967–3980Al-Betar，M.A.，Awadallah，文学硕士，法里斯，H.，杨，X.S.，Khader，A.T.，阿洛马里，O.A.，2018年蝙蝠启发的算法与自然选择机制的全局优化。神经计算273，448-465。阿里，E.S.，2014.基于BAT搜索算法的电力系统稳定器优化。International J Electric Power Energy Systems 61，683F-测量值（%）3432P. Patro等人/沙特国王大学学报Al-Tashi，Q.，卡迪尔，S.J.A.，赖斯，H.M.，Mirjalili，S.，Alhussian，H.，2019.使用混合灰狼优化进行特征选择的二进制优化。IEEEAccess 7，39496-39508。比斯瓦斯，A.，罗伊，理学硕士，古普塔河，巴西-地2019.基于离散小波变换的手指光电容积脉搏波运动伪影消除。在： 信号和图像处理的最新趋势。 Springer，Singapore，pp. 八九比九十八De Campos Souza，P.V.，Torres，L.C.B.，吉马良斯，A.J.，Araujo，VS，阿劳霍，V.J.S.，T.S. Rezegli，2019.基于零神经元和鲁棒激活函数的正则化模糊神经网络的数据密度聚类。软计算，1-15。Dhar，S.，罗伊，H.，Majumder，M.，比斯瓦斯角和Sarkar，A.，2017.一种基于M带小波变换和人类心理视觉现象（HVS）的水下图像分割新方法。2017年第三届计算智能与通信网络研究国际会议（ICRCICN）。IEEE，pp.21比25Ebadzadeh，M.M.，Salimi-Badr，A.，2018年IC-FNN：一种新型的模糊神经网络，具有可解释的，直观的和相关的轮廓模糊规则，用于函数逼近。IEEE Trans.Fuzzy Systems 26（3），1288-1302.汉H. G.吴锡麟，字修，刘志，乔，J.F.，2017.基于模糊神经网络的自组织智能控制器设计。IEEE Trans. Fuzzy Systems 26（5），3097-3111.汉，Y.，朱庆国，肖，Y.，2018.基于递归模糊神经网络结合PID的自主车辆数据驱动控制。2018年第37届中国控制会议（CCC）IEEE，pp. 5239- 5244侯赛因，E。和Rahaman，MA，2018年9月。使用模糊聚类神经模糊分类器的骨癌检测分类。2018年第四届电气工程与信息通信技术国际会议（iCEEiCT），（pp. 541-546）。美国电气与电子工程师协会。黄伟，哦，SK，Pedrycz，W.，2017.基于多项式神经网络和模糊集/关系推理小波神经元的混合模糊小波神经网络结构。 IEEE跨神经网络学习系统29（8），3452-3462。科杜里岛Duvvuri，S.S.，Varma，S.D.K.，2018.提出了一种基于小波变换的光伏并网发电系统孤岛检测新方法。2018 IEEE 第13届工业与信息系统国际会议（ICIIS）IEEE，pp. 422- 426Li，X.J.，杨，G.H.，2016.基于模糊逼近的不确定复杂动态网络全局牵制同步控制。IEEETrans. Cybern. 47（4），873-883。Liu，Y.C.，Liu，S.Y.，王，N.，2016年。基于全调整模糊神经网络的推进器动力学无人水下航行器鲁棒自适应跟踪控制。神经计算196，1-13。Otadi，M.，Mosleh，M.，2016.区间值模糊神经网络对区间值模糊线性Fredholm积分方程的模拟与评价。神经计算205，519-528。Patro，Pramoda，Kumar，Krishna，Kumar，G.苏雷什2019年基于分类器性能的机器学 习 方 法 。 International Journal of Recent Technology and Engineering（IJRTE），ISSN：2277-3878，Volume-8 Issue-3S3，pp-305Patro，Pramoda，Kumar，Krishna，Suresh Kumar，G.，2017.细胞神经网络、模糊细胞神经网络及其应用。控制理论应用国际杂志10，161-168.Patro，Pramoda，Kumar，Krishna，Suresh Kumar，G.，2018年 三层CNN在图像处理中的应用 J. Adv. Res. 动力学 控制系统01，510-512。Patro，Pram
我的内容管理
展开
