这两天在修改论文，导师说要多加一些深度和创新点，可以补充一些模糊推理、神经网络之类的东东。虽然本科学习过一些数据挖掘的算法，而且数据挖掘也是一种机器学习，但绝不是AI之类的范畴，因此说起模糊推理和神经网络，也会比较感冒。曾经想要好好学习一个Java下的分类器，但是工作和论文让BC无法分心，而且目前又在开发一个帮助Support更快上手的基于Excel的报表生成器。在经过来回踱步四五次后，想到一个最简单的基于01神经网络的分类器改进，丰满论文之余贡献与此。

前提：一个基于模型的分类器，输出为M(p)，p为离散参数。如果可以确定M(p)能够起到分类作用，但无法确定参数p，可以使用01神经网络进行二次分类学习。以下全部变量均属于[0,1]。

设新的分类器C输出[0,1]，结构如下： 0——->J0—
M(P1)—>J1—-
M(P2)—>J2—–
. .——-X–>C . .——/ M(Pn-1)->Jn-1–/ 1——->Jn—/ 其中Pi为p的可选参数，Ji为权值，且Sigma(Ji)=1.0，输出为C=Sigma(M(Pi)Ji)+J0+Jn。反馈方法为： {Ji=Ji(1+S), if M(Pi){Ji=Ji*(1-S), if M(Pi)>C* {Keep(Sigma(Ji)=1.0) 其中C*为训练结果输入，S为学习速度。

将01分类器C接到模型分类器M后，就能够确定M分类器的参数p了。虽然p参数可以通过改进模型获得，但是这样能够增加模型M的复杂度，同时给论文增加篇幅，呵呵^_^，不好意思咯。