分类是机器学习和模式识别领域的经典问题之一。对有监督分类任务,分类器从训练样本中学习知识,并调整自己的行为来实现更好的分类表现。许多经典的方法被提出用于解决分类问题,例如支持向量机、神经网络、贝叶斯分类器、决策树等。在这些方法中,神经网络凭借其易于构建和优异的近似能力,被广泛的应用于分类任务中。神经网络的分类过程可以从几何角度被解释。在分类过程中,神经网络将待分类样本从原始的数据空间映射到一个新的空间,其被称为分区空间。在分区空间中,每个类别分别被表示为空间中一个特定的点,称之为质心。待分类样本被标记为距离其最近的质心所代表的类别。然而,质心固定的问题,即质心的位置,标签和数目在训练之前就被固定,限制了训练过程中可用的神经网络的范围。一个神经网络应该被认为是成功的,只要神经网络能将样本映射到正确的类别上,即使该类别对应的质心位于分区空间中任意的位置。浮动质心法神经网络的提出有效的解决了固定质心的问题。在这种方法中,代表每个类别的质心是根据数据的分布自动产生的。尽管浮动质心法有效地提升了神经网络分类器的表现,但是硬边界的问题依然限制着其性能的进一步提升。硬边界问题是指在训练过程中,分区空间中的决策边界被清楚地描述导致即使是噪声点和边界点也必须被强制的标记为唯一的类别。边界点和噪声点的误分类会导致神经网络训练过程出现震荡,并且降低发现最优神经网络的概率。为解决硬边界问题,本文尝试使用模糊理论来帮助浮动质心神经网络产生柔性边界。本文的主要研究内容如下:(1)提出了一种可产生柔性边界的神经网络分类器:Fuzzy Floating Centroid Method(FFCM),即模糊浮动质心法。该方法糅合了浮动质心的概念和模糊策略来产生柔性决策边界,这增加了在训练过程中发现最优神经网络的可能性。此外,一种类权重策略被引入模糊浮动质心法中,来帮助其提升在非平衡数据问题上的表现。(2)模糊浮动质心法被用于估测水泥的抗压强度等级。由于相同配置的非同一个水泥试件,或同一水泥试件的不同位置会展现出不同一的抗压强度。因此采集的水泥数据会存在大量的噪声点和边界点。FFCM对数据中噪声点和边界点有较高的鲁棒性,所以我们将其应用到水泥强度等级估测以检测其有效性。(3)提出一种动态多层粒子群优化算法,Dynamic Multilayer Particle Swarm Optimization(DMLPSO),来优化浮动质心法神经网络分类器。神经网络的优化可以被视为一个多峰优化问题,DMLPSO使用动态重组策略和多层搜索策略来获得优异的搜索多峰问题的解空间的能力,以DMLPSO作为优化方法用来获得符合期望的神经网络。