基于 FNN 模型的决策算法研究

来源：计算机技术与发展杂志2020年第12期北京时间：

作者：侯庆山;邢进生

摘要：鉴于证据理论对样本分类和决策过程的复杂性以及不稳定性,提出了一种基于神经网络模型和模糊集理论的样本决策算法。 为了降低样本分类和决策过程的复杂性,增强算法的稳定性和适用性,在该算法中,设计并提出了一种新的隶属度函数。 应用提出的隶属函数对相关数据集样本进行模糊化处理,得到数据集的模糊化矩阵,其中输入样本数据与不同样本类别的隶属度相关联。 根据隶属度矩阵,并结合性能较好的激活函数 Swish-B,通过神经网络分类器,样本将被归属于特定的类。 基于鸢尾花数据集对其进行可视化分析, 将该方法与传统的证据理论及相关改进算法进行比较,验证了所设计的隶属度函数具有良好性能,同时实验结果证明了该算法的合理性与有效性,算法过程更为简单,鸢尾花数据集的分类准确率高达 98% 。

关键词：复杂性;稳定性;证据理论;样本分类;神经网络;模糊集理论;隶属度