摘要： 在分类任务中，传统的模糊最小最大神经网络及其变体在训练网络的时候没有考 虑超盒内部训练数据的分布情况，并且考虑扩展系数的问题也不是很充分，导致每次训练新数 据集都要重新选择最优的扩展系数。因此，提出了一种带质心的 Ｋ最近邻增强模糊最小最大神 经网络的集成方法。在该方法中，一方面，每个超盒都带有质心，用来描述之前训练的样本在该 超盒的大体分布情况，并且在扩展规则及收缩方面考虑了样本距离超盒质心的因素；另一方面， 使用 ５个带质心的 Ｋ最近邻增强模糊最小最大神经网络作为弱分类器，每个分类器设置不同的 扩展系数，当该方法训练完后，将得出的离散属性值作为随机森林的训练集，最后，使用测试样 本验证网络的分类性能。实验结果表明：提出的方法在准确率、精准率、召回率以及 Ｆｓｃｏｒｅ等 方面大部分的结果高于传统的 ＦＭＭＮ及其变体的结果，该方法有效地克服了 ＦＭＭＮ的准确性 过于依赖扩展系数的问题。

关键词: Ｅ-ＣＦＭＭ；集成方法；超盒收缩；弱分类器；质心

中图分类号: 

• ＴＰ１８３