标题：一类模糊重构度分类器
作者：郭旋
作者单位：广东工业大学自动化学院，广东 广州 510006
关键字：模糊分类器；噪声鲁棒性；自适应模型；重构度模糊集
摘要：作为经典的分类器，模糊K近邻分类器（FKNN），有着较为广泛的应用，且衍生出许多改进分类器。不同于模糊K近邻分类器使用简单的投票策略构建模糊集，提出一种新的分类器，即基于重构度模糊分类器。得益于对样本重构方法的改良，新的分类器避免了传统FKNN需要根据不同的数据集合调整相应的K参数的不足，而是以数据集为驱动，进而无参数调整。同时，由于重构度从结构上对噪声所产生的影响有一定抑制作用，所以该分类器对于图片噪声的鲁棒性较强。实验结果也表明基于重构度的模糊分类器在加噪声的AR人脸库上都取得了超越其他类FKNN的表现。