模糊支持向量機(jī)的自適應(yīng)摩爾斯電碼識別-中文版翻譯

1、模糊支持向量機(jī)的自適應(yīng)摩爾斯電碼識別摘要：摩爾斯電碼現(xiàn)在是被廣泛地用在可供選擇的通訊和輔助技術(shù)的修復(fù)應(yīng)用，促進(jìn)流動性、環(huán)境控制和適應(yīng)現(xiàn)場訪問。在本文中，摩爾斯電碼作為為患有肌肉萎縮、腦癱或其他嚴(yán)重障礙者的通信自適應(yīng)裝置。對于摩爾斯電碼成為有效的溝通工具是嚴(yán)格要求有一個穩(wěn)定的打字速度的。因此，需要一個高識別率的自適應(yīng)自動識別方法。所提出的系統(tǒng)使用模糊支持向量機(jī)和可變程度可變步長的最小均方算法來實(shí)現(xiàn)這些目標(biāo)。我們應(yīng)用模糊成員的每個點(diǎn)，并提供不同的貢獻(xiàn)來決定學(xué)習(xí)函數(shù)的支持向量機(jī)。統(tǒng)計(jì)分析表明，所提出的方法比文獻(xiàn)中其他的算法引起了較高的識別率。關(guān)鍵詞：摩爾斯電碼；最小二乘算法；支持向量機(jī)；模糊理論1.

2、 介紹目前，大多數(shù)的技術(shù)產(chǎn)品，特別是傳統(tǒng)的電腦鍵盤，是為沒有身體殘疾的人設(shè)計(jì)的。通常，殘疾人需要用輔助工具去順利的使用這些技術(shù)設(shè)備。隨著計(jì)算機(jī)科學(xué)及其相關(guān)技術(shù)的不斷進(jìn)步，這些自適應(yīng)工具，結(jié)合計(jì)算機(jī)軟硬件，將逐漸在殘疾人的生活中扮演越來越重要的角色。因此，許多計(jì)算機(jī)輔助密鑰系統(tǒng)已經(jīng)為殘疾人開發(fā)了，如頭鼠、迷你鍵盤、國王的鍵盤、軌跡球、操縱桿、替代鍵盤、重點(diǎn)防范（鑰匙防護(hù)）和觸摸屏1,2。許多研究人員都集中在為這些輸入設(shè)備的效率接近每一個按鍵選定的字符的一套減少開關(guān)。去幫助由于如肌肉萎縮、腦神經(jīng)麻痹或其他嚴(yán)重障礙等疾病而受損的手的協(xié)調(diào)能力和敏捷性的人，替代鍵盤是必要的。作為這種通信自適應(yīng)裝置，摩爾

3、斯電碼已被證明是一個很好的選擇3-8。對于摩爾斯電碼成為有效的溝通工具是嚴(yán)格要求有一個穩(wěn)定的打字速度的。因此，一個合適的自適應(yīng)自動識別方法是必要的。在本文中，一種先進(jìn)的識別方法，即結(jié)合模糊支持向量機(jī)（FSVMs）9,10和可變程度可變步長的最小均方（vdvslms）算法 11 ，建議其提高性能的預(yù)測。支持向量機(jī)（SVM）理論，基于結(jié)構(gòu)風(fēng)險最小化原則（SRM） 12 ，是一種新的分類方法，在最近幾年,更多的關(guān)注都被吸引到這個話題13,14。支持向量機(jī)已成功地應(yīng)用于許多現(xiàn)實(shí)世界的問題，如手寫體數(shù)字識別、人臉識別、機(jī)器視覺15,16文本分類和目標(biāo)檢測。它們表明，支持向量機(jī)比傳統(tǒng)學(xué)習(xí)機(jī)9,10具有更高

4、的性能。在模糊支持向量機(jī)中，對于決策面的學(xué)習(xí)，不同輸入點(diǎn)可以做出不同的貢獻(xiàn)。該方法通過減少數(shù)據(jù)點(diǎn)中的異常值和噪聲的影響，提高了支持向量機(jī)的效率。2. 方法論摩爾斯電碼是一種異步數(shù)據(jù)比特的二進(jìn)制編碼電路構(gòu)成對立系統(tǒng)（長短）用于發(fā)送和接收數(shù)字信息的每一個字可以翻譯成一個點(diǎn)和線組成的預(yù)定義的序列（摩爾斯電碼的元素）。一個點(diǎn)表示一個時期”?！?，而破折號等價于一個連字符或減號“”。每一個音調(diào)元素，點(diǎn)或破折號，以發(fā)送一個信號的標(biāo)準(zhǔn)長度的時間被傳播。由于對摩爾斯電碼的定義，對于點(diǎn)破折號的色調(diào)比和點(diǎn)-破折號的空格字符空間的沉默比必須是1:36。然而，根據(jù)許多用戶的實(shí)際體驗(yàn)，莫爾斯電碼自動識別是具有挑戰(zhàn)性的，因

5、為保持一個穩(wěn)定的打字速度是很難達(dá)到的。在1996年，羅和西施17提出了一個系統(tǒng)，采用自適應(yīng)技術(shù)，最小均方（LMS）算法可以識別不同的打字速度。他們的系統(tǒng)可以調(diào)整它的特點(diǎn)，成功地在一個不穩(wěn)定的打字條件下識別信息，但在打字速度的變化上是有限制的。為了消除目前0.72倍的打字速度的限制，一個殘疾人用戶為了使系統(tǒng)成功地識別他或她的摩爾斯電碼信息必須是訓(xùn)練有素的。然而，對于初學(xué)者或嚴(yán)重殘疾的人遵從這個限制被證明是困難的。隨后，施和羅 18 提出了一種改進(jìn)的方法，把按字符匹配技術(shù)和最小均方算法相結(jié)合來克服這種限制。在2001年，楊通過結(jié)合最小均方算法和學(xué)習(xí)矢量量化（LVQ）解決了同樣的問題19。本文提出的

6、方法分為以下五個階段：聲調(diào)識別、訓(xùn)練過程、空間識別、自適應(yīng)處理和字符識別。摩爾斯碼的識別過程的框圖如圖1所示。最初，輸入數(shù)據(jù)流被單獨(dú)發(fā)送到音識別或空間識別，這取決于開關(guān)的時間長度（音元素）或切換時間（空間元素）。在聲調(diào)的識別階段，基調(diào)元素值REC認(rèn)為或者一個點(diǎn)或一個破折號，然后送到訓(xùn)練過程，并重新計(jì)算決策函數(shù)。同時，在色調(diào)，緩沖段，公認(rèn)的音元（點(diǎn)或破折號）和每個連續(xù)的音元素保存在一個點(diǎn)-破折號緩沖和一個調(diào)元緩沖。在空間識別階段，空間元素的值是公認(rèn)的一點(diǎn)-破折號空間（一個字符元素之間的空間）或一個字符（字符空間之間的空間），然后送入自適應(yīng)處理階段。在字符空間被獲得后，在色調(diào)緩沖區(qū)中的值（是）發(fā)送

7、到字符識別階段，該字符識別該字符2。圖1. 莫爾斯電碼的識別過程框圖。 摩爾斯電碼字符，xi，表示如下：在ej（xi）：當(dāng)一個鍵被按下，它是作為“點(diǎn)”或“破折號”，根據(jù)輸入的字符xi,jth莫爾斯代碼元素的持續(xù)時間。bj（xi）：當(dāng)一個鍵被舉起，它是作為三個空間：一個字符元素之間的空間，字或詞與詞之間的空間之間的空間，這是對輸入字符xi兩空間時間。N：在字符xi摩爾斯代碼元素的總數(shù)。2.1.音調(diào)識別最初，輸入的數(shù)據(jù)流發(fā)送單獨(dú)的聲調(diào)識別和空間識別和數(shù)據(jù)縮放到范圍內(nèi)的1得到一個輸入值，+1。這可以通過以下操作來描述：下= -1，上= + 1，調(diào)元是一個輸入值，音min是輸入點(diǎn)的最小的點(diǎn)破折號值，音

8、調(diào)Max是輸入點(diǎn)的最大的點(diǎn)破折號值。音元素的值首先被確認(rèn)為一個點(diǎn)或一個破折號，調(diào)元價值首先是公認(rèn)的一個點(diǎn)或一個破折號，然后發(fā)送到培訓(xùn)過程的階段，這是用來計(jì)算決策函數(shù)。在這個階段，縮放的音值（×），可以發(fā)送到?jīng)Q策功能確定認(rèn)可價值為破折號（F（XJ）0）或一個點(diǎn)（F（XJ）0），其中我是一個最佳的解決方案，一1 + 1 和B是偏見。從最初的決策功能缺失開始，訓(xùn)練過程中應(yīng)進(jìn)行計(jì)算的FSVMs決策函數(shù)。首先要定義一個初始訓(xùn)練數(shù)據(jù)集。為了阻止我的初始訓(xùn)練數(shù)據(jù)集，在第一個12個順序的音調(diào)元素的值的關(guān)系計(jì)算。如果一個值是其鄰近值的兩倍大，那么值被處理為長（音）；較小的值表示短的值（音）。語氣和聲調(diào)

9、的值作為對訓(xùn)練數(shù)據(jù)集的代表。一旦獲得音和音的值，就可以計(jì)算出它們的平均值，并分別指定為基礎(chǔ)和基礎(chǔ)。計(jì)算起始標(biāo)準(zhǔn)音的基礎(chǔ)是如下方程后的基調(diào)基礎(chǔ)已經(jīng)獲得，我們可以回去隔離的第一個12個值的色調(diào)元素。如果孤立的值是一個破折號，這是標(biāo)記一= + 1，否則易標(biāo)記= 1。在訓(xùn)練數(shù)據(jù)集的基礎(chǔ)上，對聲調(diào)識別的初始決策函數(shù)進(jìn)行了訓(xùn)練過程。例如，摩爾斯電碼的數(shù)字流為：251 133 240 329 56 131 244 152 52 555 126 314 109 157 136 64 368 242 142 61 135 103 390 79，其中奇數(shù)位置數(shù)據(jù)（下劃線）被定義為音調(diào)甚至被定義為空間位置數(shù)據(jù)。前1

10、2個色調(diào)值是240 56 244 52 126 109 136 368 142 135 251 390。經(jīng)過計(jì)算，這12個值的可微性元素是240 56 244 52 136 368 135 390。這些值（244，240，368，390）在數(shù)據(jù)流中是大于相鄰的值兩倍的，從而為色調(diào)的候選人。其余的鄰居值（52，56，136，135）是音的候選人。因此，可以計(jì)算出的樣本數(shù)據(jù)流的音和音基礎(chǔ)如下： 因此，聲調(diào)的基礎(chǔ)是202.63，因此訓(xùn)練數(shù)據(jù)集定義為（240，1），（56，1），（244，1），（52，1），（136，1），（368，1），（135，1），（390，1）和縮放設(shè)置成為（0.112，1）

11、，（0.976，1），（0.136，1），（1，1），（0.503，1），（0.870，1），（0.509、1），（1，1）。一旦最初的訓(xùn)練數(shù)據(jù)集是確定的，它可以用來運(yùn)行訓(xùn)練程序和找到最初的決策函數(shù)，構(gòu)成點(diǎn)破折號分類器。培訓(xùn)過程的細(xì)節(jié)將在下一節(jié)中描述。通過初始化階段，輸入流的新色調(diào)值將投入決策函數(shù)f（x）確定的公認(rèn)值為破折號（f（x）0）或一個點(diǎn)（f（x）0）。聲調(diào)識別后，得到的值可以被送入訓(xùn)練數(shù)據(jù)集。然后訓(xùn)練過程進(jìn)行重新計(jì)算決策功能，等待下一個值。此值送入訓(xùn)練數(shù)據(jù)集，而且參與接下來的訓(xùn)練過程。但是，在實(shí)踐中，并非所有的數(shù)據(jù)的模糊支持向量機(jī)的訓(xùn)練都是必要的，豐富的。換句話說，我們可以在將數(shù)據(jù)發(fā)

12、送到訓(xùn)練數(shù)據(jù)集之前過濾掉數(shù)據(jù)。一些數(shù)據(jù)是遠(yuǎn)大于或小于音最大或音分鐘，超過三倍的值。此數(shù)據(jù)應(yīng)被視為噪聲和忽略，被引用后，對一個閾值。我們使用標(biāo)準(zhǔn)偏差作為閾值。2.2.訓(xùn)練過程VC理論 12 在文獻(xiàn)中提供了一個有關(guān)統(tǒng)計(jì)學(xué)習(xí)模型集的復(fù)雜性的一般措施。基于VC理論，支持向量機(jī)可以設(shè)計(jì)用于分類問題。支持向量機(jī)提供卓越的性能 14 ，但是，他們對于如噪聲或更少有意義遠(yuǎn)離自己的類的數(shù)據(jù)等損失的數(shù)據(jù)是敏感的，這會影響支持向量機(jī)的泛化能力。為此，黃、劉 10 提出了一種模糊化的概念，建立在所謂的模糊支持向量機(jī)的訓(xùn)練數(shù)據(jù)（FSVMs）。2.3.模糊支持向量機(jī)和模糊隸屬度 在許多實(shí)時信號處理的應(yīng)用中，順序?qū)W習(xí)和推理

13、方法是重要的 9 。摩爾斯電碼識別可以被視為一個順序的學(xué)習(xí)問題。例如，我們希望有一個學(xué)習(xí)機(jī)，在這一點(diǎn)從最近的過去被給予更多的重量比遠(yuǎn)回到過去。為了這個目的，我們可以選擇的模糊隸屬函數(shù)的時間點(diǎn)，在該點(diǎn)產(chǎn)生。假設(shè)我們給出了一系列的訓(xùn)練點(diǎn)在 t1. . . titl是在哪些時間點(diǎn)到達(dá)在系統(tǒng)中，讓模糊隸屬度是一個函數(shù)時間ti。這樣，我們使用了三個功能的時間，包括線性函數(shù)式（9），邊界函數(shù)方程（7）和Sigmoid函數(shù)方程（8），單獨(dú)列示如下：這里 a = 0.1, b = , p = 3 和 i = ti 0.5 × tl.這些都是模糊隸屬函數(shù)的識別。我們應(yīng)用FSVMs字符識別。然而，培訓(xùn)這

14、些系統(tǒng)是不平凡的，計(jì)算成本高，所需的優(yōu)化包的使用。使用內(nèi)核Adatron（KA）沒有偏見 16 算法可以簡化FSVMs的訓(xùn)練程序，如下：（1）初始化 i0 = 0。（2）當(dāng) i = 1, . . ., l,執(zhí)行下面的 3, 4步驟。（3）標(biāo)記點(diǎn) (xi, yi) 計(jì)算:（4）理論計(jì)算：（5）如果超出了最大迭代次數(shù)或約1后停止，否則返為下一步的2步。是訓(xùn)練程序的學(xué)習(xí)率。0.1的值在這項(xiàng)研究中。2.4.空間識別空間識別階段是用來識別字符空間和隔離一個人的摩爾斯電碼的字符元素。S1是最初的無聲的基值。這個字符檢測操作程序顯示如下面：(1) 啟動j=1。(2) 如果bj（xi）<無聲的基值，然后

15、轉(zhuǎn)到步驟3，否則去步驟4。(3) bj(xi)是一個點(diǎn)-破折號空間，讓j=j+1,然后去步驟2。(4) bj(xi)是字符空間。然后，得到的字符空間之間的音調(diào)持續(xù)時間序列，去步驟1。 由于一個初始的空間長度值S1的缺失，第一個字xi不能立即隔離。因此，初始間距S1是通過無聲的元素的前九個值作為參考值；然后，所有取的值按降階排序。排序后，每個值之間的關(guān)系進(jìn)行比較。如果一個值比其他任何一個值大一倍，這個值表示為長（沉默升），如果值較小，則表示為短（沉默的）。一旦這種關(guān)系已經(jīng)確定，分為初始間距S1。每當(dāng)一個S1值，數(shù)據(jù)流分為字符集和空間點(diǎn)沖刺空間。后一個字符的摩爾斯電碼的元素是從數(shù)據(jù)流中分離的元素，

16、可以識別的字符識別階段。2.5.自適應(yīng)過程變化的程度，變步長LMS算法（vdvslms）系統(tǒng)中使用，可以巧妙地改變無聲的基礎(chǔ)來預(yù)測一個不穩(wěn)定的打字速度20。這一變化利用當(dāng)前的數(shù)據(jù)去計(jì)算帶有步長µ標(biāo)準(zhǔn)的LMS使用權(quán)重遞歸的一個新的權(quán)重向量11。X(n)是n最近的輸入數(shù)據(jù)的輸入向量，（n）是錯誤的。VDVSLMS方程式所產(chǎn)生的權(quán)重更新遞歸算法：在這里在2(n)的下標(biāo)表示的程度，是一個梯度的估計(jì)。這里d(n)是所需信號的標(biāo)量。µ步長參數(shù)控制的收斂速度，以及自適應(yīng)濾波器的穩(wěn)態(tài)和/或跟蹤行為。步長µ已經(jīng)在我們的系統(tǒng)中的值是0.02，一個算法與九個輸入信號x（n）進(jìn)行實(shí)驗(yàn)。更

17、新的權(quán)重遞歸后的W（n + 1）的計(jì)算方法，它可以與輸入向量XT（n）乘以的結(jié)果作為一個新的調(diào)整，無聲基值。結(jié)果得到一個VDVSLMS比采用歸一化LMS算法得到的更準(zhǔn)確。2.6.特征識別一旦一個特征空間價值已經(jīng)抵達(dá)緩沖音調(diào)，這是一個語氣緩沖元件送到字符識別信號。如果識別的字符集可以直接從摩爾斯電碼表匹配到一個代碼集，然后立即從摩爾斯電碼表翻譯。超視距調(diào)節(jié)，它是由下面的最小距離計(jì)算翻譯。首先，在一個未知的音元流的每個音的元素值除以前面的音元的FSVM的決策函數(shù)集。然后，計(jì)算每個色調(diào)值在摩爾斯電碼表的每個字符的代碼元素之間的距離。以最小歐氏距離為基調(diào)的字符被選擇作為未知字符的值。確定最短歐氏距離的

18、程序是以下。首先，每個音調(diào)的元素，ej（xi），被判定函數(shù)j = 1n分開。然后，對新的音元和在摩爾斯電碼表的字符之間的平方距離的總和的根進(jìn)行計(jì)算，ej（xi）。在摩爾斯電碼表，歐氏距離最小的特性是公認(rèn)的未知字符。假設(shè)，例如，在一個未知的字符的音調(diào)元素的值是以下：756，234和212（非縮放）。由決策職能分工后，三音元素標(biāo)記為1（點(diǎn)）、1（破折號）和-1（點(diǎn)）。在摩爾斯電碼表的歐氏距離最小的特點(diǎn)是字符“R”（即點(diǎn)破折號點(diǎn)或131）。因此，字符“R”作為未知字符的摩爾斯碼匹配。3. 實(shí)驗(yàn)結(jié)果與討論對于運(yùn)動或感覺障礙的許多人去使用微處理器的設(shè)備，摩爾斯代碼作為輸入系統(tǒng)，通過交換機(jī)外部的計(jì)算機(jī)，使

19、用新開發(fā)的自適應(yīng)接入軟件程序、硬件外設(shè)，并學(xué)習(xí)方法。對于運(yùn)動和感知能力有限制的人通過調(diào)整切換機(jī)制和鍵盤輸入功能莫爾斯代碼仿真已經(jīng)被證明可以成功地操作電腦和其他設(shè)備。研究和臨床經(jīng)驗(yàn)表明在摩爾斯電碼輸入系統(tǒng)的快速入門率和低水平的體力消耗對于殘疾人對微處理器的控制方法可以制造 一個可行的和有競爭力的方法22。識別系統(tǒng)是采用微軟Visual C+ 6的Windows版本實(shí)現(xiàn)。探討了該方法的有效性，測試數(shù)據(jù)（DIS-N）收集到三名殘疾人（P1，P2，P3）。第一次測試的參與者（P1）是一個14歲的男孩，他被診斷為腦癱。他自愿運(yùn)動接近但初始延遲展出之前發(fā)起的運(yùn)動。智商測試表明他的智力是正常的。參與者2（P

20、2）是一個14歲的青少年女性，診斷為腦癱，手足徐動型。她表現(xiàn)出她的四involun性和無法控制的肢體動作。當(dāng)她興奮的時候，不由自主的運(yùn)動增加了。她英特爾智能是正常的，但dysarticulation指出，造成交際困難。第三參與者（P3）是一個40歲的成年男性遭受脊髓損傷不完全癱。他的右手腕不能延伸的目的地，這使得他的手運(yùn)動功能失調(diào)性。每個參與者類型100個字符15測試樣品，這是表示對dis-15 dis-01表1。測試結(jié)果如圖2所示。 圖2.四種不同算法對三個用戶測試問題的精度曲線。 該方法相對于其他三個方法，羅和西的（LS）方法 17 ，施和羅的（SL）方法 18 分別地學(xué)習(xí)向量量化（LVQ

21、）神經(jīng)網(wǎng)絡(luò) 19 。正如預(yù)期的那樣，最差的方法顯示了最貧窮的四種比較方法的比賽（表1）。雖然LS方法已成功地應(yīng)用于速度不穩(wěn)定的摩爾斯電碼的時間序列分析，打字速度從一個角色到另一個不能提高到超過1.6的一個因素或減緩超過兩倍，前面的字符沒有LS方法遇到的一些問題。該方法提出了這里在15個測試中的13個問題的比賽次數(shù)是最多的，而這就等于在剩余的2個問題進(jìn)行。SL、LS、LVQ的平均比賽次數(shù)，提出的方法分別為21.7、73.5、79.1和84.8。所提出的方法獲得這樣的高識別率的原因可以解釋如下。FSVMs有良好的泛化能力的分類問題，可以調(diào)整權(quán)重和隸屬度函數(shù)與時間關(guān)系的最近點(diǎn)和點(diǎn)更遠(yuǎn)的過去后。換句話

22、說，所提出的方法可以適應(yīng)用戶的打字速度。此外，根據(jù)統(tǒng)計(jì)理論，F(xiàn)SVMs可以找到字符識別優(yōu)化邊緣。雖然已經(jīng)有許多吸引力，F(xiàn)SVMs強(qiáng)大的能力，他們?nèi)匀豢梢愿倪M(jìn)實(shí)踐。這樣的一個改進(jìn)的參數(shù)C的唯一的自由參數(shù)賦值（自定義）在FSVM是C.表1.三個殘疾人使用不同的自適應(yīng)方法對15個測試問題的識別結(jié)果問題參與者P1P2P3P1 and P2 and P3 (平均)LSSLLVQFSVMLSSLLVQFSVMLSSLLVQFSVMLSSLLVQFSVMDis-0113628686106988851065868511.066.786.785.3Dis-0210558085765828486683848.36

23、3.381.784.3Dis-0312687283780719177983908.777.075.388.0Dis-0415818285177382821772858216.376.783.083.0Dis-0512678488228084901982889017.777.785.389.3Dis-066777686481788518382853.781.778.785.3Dis-079636985682688568281867.077.072.785.3Dis-0810646370126861751170627511.068.761.773.3Dis-09748888937379919471

24、84919272.785.090.093.0Dis-1057647577486476784869777751.067.076.077.3Dis-1140938795337784953375959453.383.088.794.7Dis-1258586667485666685352676753.056.766.367.3Dis-13136684949778391879929310.075.386.392.7Dis-1411727090775718667676898.075.772.388.3Dis-1512678083127078861171858511.770.781.084.7平均23.56

25、9.777.484.521.073.177.585.020.673.782.584.921.773.579.184.8圖例: LS:羅和西法17; SL: 施和羅法18. LVQ:學(xué)習(xí)向量量化19; FSVM: 模糊支持向量機(jī)（方法）.根據(jù)優(yōu)化準(zhǔn)則，C重分類誤差，但沒有一般的規(guī)則選擇C.通常情況下，C值的范圍應(yīng)該試過的最好的一個可以選擇的。 在本文中，我們提出了幾種策略算法的應(yīng)用。首先，訓(xùn)練數(shù)據(jù)過濾：數(shù)據(jù)是更大或更小的語氣或音調(diào)然后最大最小是不容忽視的，因?yàn)闊o信息數(shù)據(jù)會降低泛化能力。其次，培訓(xùn)規(guī)則：我們提出了一種利用閾值為培訓(xùn)過程中減少培訓(xùn)時間觸發(fā)策略。再培訓(xùn)的觸發(fā)幾率會降低約68%，如果閾值被分配到1的意思。最后，利用所提出的模糊支持向量機(jī)的方法來建立一個自適應(yīng)算法具有以下優(yōu)點(diǎn)：（1）VC理論建立的理論基礎(chǔ)為了良好的推廣效果。（2）一個全局解的優(yōu)化問題，可以有效地找到使用專門設(shè)計(jì)的二次規(guī)劃算法。（3）模糊隸屬函數(shù)可以表示的時間序列，這是重要的，從最近點(diǎn)給予更多的權(quán)重比點(diǎn)更遠(yuǎn)的過去。（4）策略提高FSVMs的泛化能力，同時避免影響較有意義的數(shù)據(jù)，并通過抑制觸發(fā)閾值提高訓(xùn)練效率。四種識別方法通過應(yīng)用匹配數(shù)，雙統(tǒng)計(jì)檢驗(yàn)，弗里德曼檢驗(yàn)和多重比較法進(jìn)行了比21。炸人試驗(yàn)是用來測試不同的識別方法的總數(shù)量是否相等。多重比較法被用來判定哪種方法有中位總比賽的顯