过去十年，机器学习的发展，主要利用整合方法，其中利用了许多经过不断调整的分类器来结合成一个高精确的分类器。本论文中，我们提出了一个整合神经模糊系统与Adaboost演算法的分类器。这就是所谓的混合神经模糊系统与Adaboost演算法之分类器。在分类器当中，Adaboost演算法会利用样本的训练，自适应性地迭代调整样本权重，产生出多个分类器。而Adaboost的主要架构就是利用所产生出的多个分类器结合而成。另外在Adaboost弱分类器的挑选，我们所采用的是SONFIN。SONFIN是一种神经模糊系统，而且SONFIN具有on-line learning的能力。高维度的特征，造成了程式的大量运算，为了降低程式运算的负担，我们使用了特征选择的方法来降低时间复杂度，该方法利用基因搜寻(GeneticSearch)和排序搜寻(RankSearch)两者的结合，结合的方式是先由基因搜寻挑选出最佳特征，再利用排序搜寻依照挑选出来的特征数量作增减，所选出的特征在执行程式阶段时，确实地成功降低程式运算。最后，为了证明我们所提出的分类器的能力，我们使用不同的资料集(Datasets)进行训练以及测试，这些资料集包括了鸢尾花资料集(IRIS datasets)、威斯康辛乳房资料集(WISCONSIN breast datasets)和中山医学大学乳房资料集(CSMU breast datasets)，这些资料集各自包含了不同的样本数和特征数，如此能够让系统获得更好的准确率。本论文的贡献为提出了混合神经模糊系统与Adaboost演算法之分类器，并且在IRIS datasets的分类精确度上达到98%准确率、在WISCONSIN breast datasets的分类精确度上达到99%准确率、在CSMU breast datasets的分类精确度上达到98.8%准确率。
暂无评论