本文介绍了一种能够构建具有自适应形状的不可分离模糊规则的新间隔-2模糊神经网络。为了反映不确定性，模糊集的形状被认为是不确定的。因此，提出了一种基于能够构造不同形状（包括三角形，钟形，梯形）的通用高斯模型的新形式的间隔类型-2模糊组。要考虑输入变量之间的相互作用，输入向量将转换为新的特征空间，具有用于定义每个模糊规则的不相关变量。接下来，使用具有自适应形状的所提出的间隔类型-2模糊组来馈送到模糊化层。因此，考虑变量和不确定性的局部相互作用，因此形成具有适当形状的间隔类型-2不可分离的模糊规则。对于缩短的缩小，每个模糊规则的上部和下射击强度的贡献自适应地单独选择。为了培训网络的不同参数，利用Levenberg-Marquadt优化方法。在清洁和嘈杂的数据集上调查了所提出的方法的性能，以表明考虑不确定性的能力。此外，所提出的范式，成功地应用于现实世界的时间序列预测，回归问题和非线性系统识别。根据实验结果，我们提出的模型的性能优于具有更加规模的结构的其他方法。
translated by 谷歌翻译
在本文中，提出了一种基于通过解决受约束优化问题估算所需的前提零件输出的新颖逐步学习方法。这种学习方法不需要备份输出错误来了解前提零件参数。相反，估计规则前提部分的近最佳输出值，并且它们的参数变为减小当前前提零件输出和估计所需的误差。因此，所提出的学习方法避免了错误反向化，这导致消失梯度并因此陷入局部最佳状态。所提出的方法不需要任何初始化方法。这种学习方法用于训练新的Takagi-Sugeno-kang（TSK）模糊神经网络，其相关的模糊规则，包括两个前提和随后的零件中的许多参数，避免由于消失梯度而陷入局部最佳状态。为了学习所提出的网络参数，首先，介绍了约束的优化问题，并解决了估计前提零件输出值的所需值。接下来，利用这些值与当前的误差来基于梯度 - 下降（GD）方法来调整前提部分的参数。然后，所需和网络输出之间的误差用于通过GD方法学习随后的零件参数。建议的范式成功应用于现实世界的时间序列预测和回归问题。根据实验结果，其性能优于具有更加规模的结构的其他方法。
translated by 谷歌翻译
在时间序列预测的各种软计算方法中，模糊认知地图（FCM）已经显示出显着的结果作为模拟和分析复杂系统动态的工具。 FCM具有与经常性神经网络的相似之处，可以被分类为神经模糊方法。换句话说，FCMS是模糊逻辑，神经网络和专家系统方面的混合，它作为模拟和研究复杂系统的动态行为的强大工具。最有趣的特征是知识解释性，动态特征和学习能力。本调查纸的目标主要是在文献中提出的最相关和最近的基于FCCM的时间序列预测模型概述。此外，本文认为介绍FCM模型和学习方法的基础。此外，该调查提供了一些旨在提高FCM的能力的一些想法，以便在处理非稳定性数据和可扩展性问题等现实实验中涵盖一些挑战。此外，具有快速学习算法的FCMS是该领域的主要问题之一。
translated by 谷歌翻译
模糊认知地图（FCMS）被出现为可解释的签名加权数字化方法，其由代表概念之间的依赖性的节点（概念）和权重。虽然FCMS在各种时间序列预测应用中取得了相当大的成果，但设计了具有较节约的训练方法的FCM模型仍然是一个开放的挑战。因此，本文介绍了一种新颖的单变量时间序列预测技术，该技术由标记为R-HFCM的一组随机高阶FCM模型组成。提出的R-HFCM模型的新颖性与将FCM和回声状态网络（ESN）的概念合并为高效且特定的储层计算（RC）模型系列，其中应用于训练模型的最小二乘算法。从另一个角度来看，R-HFCM的结构包括输入层，储存层和输出层，其中仅输出层是可训练的，同时在训练过程中随机选择每个子储存组件的重量并保持恒定。如案例研究，该模型考虑了与巴西太阳能站以及马来西亚数据集的公共数据的太阳能预测，包括马来西亚市柔佛市电源公司的每小时电负荷和温度数据。实验还包括地图尺寸，激活功能，偏置的存在和储存器的尺寸的效果，储存器的尺寸为R-HFCM方法的准确性。所获得的结果证实了所提出的R-HFCM模型与其他方法相比表现。本研究提供了证据表明，FCM可以是在时间序列建模中实施动态储存的新方法。
translated by 谷歌翻译
FCM和PCM聚类方法都被广泛应用于模式识别和数据聚类。尽管如此，FCM对噪声和PCM偶尔会产生一致的簇。 PFCM是通过组合FCM和PCM的PCM模型的扩展，但这种方法仍然遭受PCM和FCM的弱点。在目前的纸张中，校正了PFCM算法的弱点，并提出了增强的可能性模糊C-MATIOM（EPFCM）聚类算法。 EPFCM仍然对噪音敏感。因此，我们通过利用模糊成员资格和两个fuzzifers $（{\ theta} _1，{\ theta} _2 ）$的可能性典型。我们的计算结果表明，与文献中的几种最先进的技术相比，拟议方法的优势。最后，实施了所提出的方法，用于分析微阵列基因表达数据。
translated by 谷歌翻译
深度学习（DL）技术被回归问题所接受。最近在该领域发表的论文数量越来越多，包括调查和评论，表明，由于效率和具有高维数据的系统的良好精度，深层回归引起了社区的关注。但是，许多DL方法具有复杂的结构，这些结构对人类用户不易透明。访问这些模型的可解释性是解决敏感领域问题（例如网络安全系统，医疗，金融监视和工业过程）的重要因素。模糊逻辑系统（FLS）是可解释的模型，在文献中众所周知，能够通过具有成员资格学位的语言术语对复杂系统使用非线性表示，模仿了人类的思想。在可解释的人工智能的气氛中，有必要考虑开发智能模型的准确性和可解释性之间的权衡。本文旨在调查结合DL和FL的现有方法的最新方法，即深度模糊系统，以解决回归问题，配置当前在文献中尚不充分探索的主题，因此应进行全面调查。
translated by 谷歌翻译
随着大数据时代的出现，数据质量问题变得越来越重要。在许多因素中，缺少价值的数据是一个主要问题，因此开发有效的插补模型是研究界的关键主题。最近，一个主要的研究方向是采用神经网络模型，例如自组织映射或自动编码器来填充缺失值。但是，这些经典方法几乎无法在数据属性之间同时发现相关特征和共同特征。特别是，对于经典的自动编码器来说，这是一个非常典型的问题，他们经常学习无效的恒定映射，从而极大地伤害了填充性能。为了解决上述问题，我们建议并开发基于功能融合增强自动编码器的缺失值填充模型。我们首先设计并集成到自动编码器中，一个隐藏的层，该层由脱落神经元和径向基函数神经元组成，该神经元可以增强学习相关特征和共同特征的能力。此外，我们基于动态聚类（MVDC）制定了缺失的值填充策略，该策略已纳入迭代优化过程。该设计可以增强多维功能融合能力，从而提高动态协作缺失填充性能。通过实验比较与许多缺失值填充方法的实验比较来验证我们的模型的有效性，这些方法在七个数据集上进行了测试，而缺失率不同。
translated by 谷歌翻译
多级分类的理论分析已经证明，现有的多级分类方法可以在测试集上具有高分类精度的分类器训练，而当实例在培训和测试集中具有相同分布的训练和测试集时，并且可以进行足够的实例，并且可以是足够的实例。收集在训练集中。但是，尚未解决一个多级分类的限制：在仅可用观察值时，如何提高多类分类问题的分类准确性。因此，在本文中，我们提出了一个新颖的框架，以解决一个新的现实问题，称为多级分类，具有不精确的观察结果（MCIMO），我们需要在其中培训一个具有模糊性观察的分类器。首先，我们基于模糊的Rademacher复杂性对MCIMO问题进行了理论分析。然后，基于支持向量机和神经网络的两种实用算法被构建以解决拟议的新问题。关于合成和现实世界数据集的实验验证了我们的理论分析的合理性以及所提出的算法的疗效。
translated by 谷歌翻译
模糊或神经模糊系统的主要限制是他们无法处理高维数据集的故障。这主要是由于使用T-Norm，特别是产品或最小（或其更软的版本）。因此，几乎没有任何处理与尺寸超过一百个以上的数据集。在这里，我们提出了一种神经模糊框架，可以处理尺寸甚至超过7000的数据集！在这种情况下，我们提出了一种自适应软培蛋白（ADA-Softmin），其有效地克服了在处理高维问题的同时为现有的模糊系统产生的“数字下溢”和“假最小最小值”的缺点。我们称之为Adaptive Takagi-Sugeno-kang（Adatsk）模糊系统。然后，我们用综合方式装备ADATSK系统以执行特征选择和规则提取。在这种情况下，仅在随后的零件中引入并嵌入了一种新颖的栅极功能，其可以在学习的两个连续阶段中确定有用的特征和规则。与传统的模糊规则基础不同，我们设计增强的模糊规则基础（EN-FRB），该基础（EN-FRB）保持了足够的规则，但不会以模糊神经网络的尺寸呈指数呈指数规则的数量。集成特征选择和规则提取ADATSK（FSRE-ADATSK）系统由三个连续阶段组成：（i）特征选择，（ii）规则提取，和（iii）微调。 FSRE-Adatsk的有效性在19个数据集上展示了五个，其中五个是2000多个维度，包括两个大于7000的尺寸。这可能是第一次模糊系统实现涉及超过7000个输入功能的分类。
translated by 谷歌翻译
模型的可解释性对于许多实际应用是必不可少的，例如临床决策支持系统。在本文中，提出了一种新的可解释机学习方法，可以模拟人类理解规则中的输入变量与响应之间的关系。该方法是通过将热带几何形状应用于模糊推理系统构建的，其中通过监督学习可以发现可变编码功能和突出规则。进行了使用合成数据集的实验，以研究所提出的算法在分类和规则发现中的性能和容量。此外，将所提出的方法应用于鉴定心力衰竭患者的临床应用，这些患者将受益于心脏移植或耐用的机械循环支撑等先进的疗法。实验结果表明，该网络在分类任务方面取得了很大的表现。除了从数据集中学习人类可理解的规则外，现有的模糊域知识可以很容易地转移到网络中，并用于促进模型培训。从我们的结果，所提出的模型和学习现有领域知识的能力可以显着提高模型的概括性。所提出的网络的特征使其在需要模型可靠性和理由的应用中承诺。
translated by 谷歌翻译
基于模糊规则的系统（FRBS）是一个基于规则的系统，它使用语言模糊变量作为前身，因此代表人类可理解的知识。它们已应用于整个文献的各种应用和领域。但是，FRBS遭受了许多缺点，例如不确定性表示，大量规则，解释性损失，学习时间高的计算时间等，以克服FRBS的这些问题，存在许多范围的FRBS。在本文中，我们介绍了模糊系统（FRBS）的各种类型和突出领域的概述和文献综述，即遗传模糊系统（GFS），层次结构模糊系统（HFS），Neuro Fuzzy System（NFS），不断发展的模糊系统（EFS）（EFS）（EFS） ），在2010 - 2021年期间，用于大数据的FRBS，用于数据不平衡数据的FRBS，用于不平衡数据的FRBS，用于使用集群质心作为模糊规则的FRB和FRBS。 GFS使用遗传/进化方法来提高FRBS的学习能力，HFS解决了FRBS的尺寸诅咒，NFS在EFS中考虑使用神经网络和动态系统来提高FRBS的近似能力，并且在EFS中考虑了动态系统。 FRBs被视为大数据和不平衡数据的好解决方案，近年来，由于高维度和大数据和规则，使用集群质心来限制FRBS中的规则数量，因此FRBS的可解释性已受欢迎。本文还强调了该领域的重要贡献，出版统计和当前趋势。该论文还涉及几个需要从FRBS研究社区进一步关注的开放研究领域。
translated by 谷歌翻译
预测住宅功率使用对于辅助智能电网来管理和保护能量以确保有效使用的必不可少。客户级别的准确能量预测将直接反映电网系统的效率，但由于许多影响因素，例如气象和占用模式，预测建筑能源使用是复杂的任务。在成瘾中，鉴于多传感器环境的出现以及能量消费者和智能电网之间的两种方式通信，在能量互联网（IOE）中，高维时间序列越来越多地出现。因此，能够计算高维时间序列的方法在智能建筑和IOE应用中具有很大的价值。模糊时间序列（FTS）模型作为数据驱动的非参数模型的易于实现和高精度。不幸的是，如果所有功能用于训练模型，现有的FTS模型可能是不可行的。我们通过将原始高维数据投入低维嵌入空间并在该低维表示中使用多变量FTS方法来提出一种用于处理高维时间序列的新方法。组合这些技术使得能够更好地表示多变量时间序列的复杂内容和更准确的预测。
translated by 谷歌翻译
癫痫发作是最重要的神经障碍之一，其早期诊断将有助于临床医生为患者提供准确的治疗方法。脑电图（EEG）信号广泛用于癫痫癫痫发作检测，其提供了关于大脑功能的实质性信息的专家。本文介绍了采用模糊理论和深层学习技术的新型诊断程序。所提出的方法在Bonn大学数据集上进行了评估，具有六个分类组合以及弗赖堡数据集。可以使用可调谐Q小波变换（TQWT）来将EEG信号分解为不同的子带。在特征提取步骤中，从TQWT的不同子带计算了13个不同的模糊熵，并且计算它们的计算复杂性以帮助研究人员选择各种任务的最佳集合。在下文中，采用具有六层的AutoEncoder（AE）用于减少维数。最后，标准自适应神经模糊推理系统（ANFIS）以及其具有蚱蜢优化算法（ANFIS-GOA），粒子群优化（ANFIS-PSO）和育种群优化（ANFIS-BS）方法的变体分类。使用我们所提出的方法，ANFIS-BS方法在弗赖堡数据集上分为两类分为两类和准确度，在两类分类中获得99.46％的准确性，以及弗赖堡数据集的99.28％，达到最先进的两个人的表演。
translated by 谷歌翻译
我们提出了一种从一组输入输出对中学习的新算法。我们的算法专为输入变量和输出变量与输出变量之间的关系而呈现出跨预测器空间的异构行为的群体设计。该算法从生成子集开始，该子集集中在输入空间中的随机点。然后培训每个子集的本地预测器。然后，这些预测变量以一种新的方式组合以产生整体预测因子。由于其与堆叠回归的方法的相似，我们称之为“使用子集堆叠”或更少学习“。我们将测试性能与在多个数据集上的最先进的方法中进行比较。我们的比较表明，较少是一种竞争的监督学习方法。此外，我们观察到，在计算时间方面较少也有效，并且允许直接并行实现。
translated by 谷歌翻译
决定何时购买或出售股票并不是一件容易的事，因为市场难以预测，受到政治和经济因素的影响。因此，基于计算智能的方法已应用于这个具有挑战性的问题。在这项工作中，每天使用技术分析标准以相似性（TOPSIS）的相似性（TOPSIS）对订单偏好进行排名，并选择最合适的股票进行购买。即便如此，在某些日子甚至Topsis都会选择不正确的选择。为了改善选择，应使用另一种方法。因此，提出了由经验模式分解（EMD）和极端学习机（ELM）组成的混合模型。 EMD将系列分解为几个子系列，因此提取了主要组分（趋势）。该组件由ELM处理，该组件执行下一个组件元素的预测。如果榆树预测的价值大于最后一个值，则确认购买股票的价值。该方法应用于巴西市场的50个股票的宇宙。与随机选择和Bovespa指数产生的回报相比，Topsis进行的选择显示出令人鼓舞的结果。使用EMD-ELM混合动力模型的确认能够增加利润交易的百分比。
translated by 谷歌翻译
大量的数据和创新算法使数据驱动的建模成为现代行业的流行技术。在各种数据驱动方法中，潜在变量模型（LVM）及其对应物占主要份额，并在许多工业建模领域中起着至关重要的作用。 LVM通常可以分为基于统计学习的经典LVM和基于神经网络的深层LVM（DLVM）。我们首先讨论经典LVM的定义，理论和应用，该定义和应用既是综合教程，又是对经典LVM的简短申请调查。然后，我们对当前主流DLVM进行了彻底的介绍，重点是其理论和模型体系结构，此后不久就提供了有关DLVM的工业应用的详细调查。上述两种类型的LVM具有明显的优势和缺点。具体而言，经典的LVM具有简洁的原理和良好的解释性，但是它们的模型能力无法解决复杂的任务。基于神经网络的DLVM具有足够的模型能力，可以在复杂的场景中实现令人满意的性能，但它以模型的解释性和效率为例。旨在结合美德并减轻这两种类型的LVM的缺点，并探索非神经网络的举止以建立深层模型，我们提出了一个新颖的概念，称为“轻量级Deep LVM（LDLVM）”。在提出了这个新想法之后，该文章首先阐述了LDLVM的动机和内涵，然后提供了两个新颖的LDLVM，并详尽地描述了其原理，建筑和优点。最后，讨论了前景和机会，包括重要的开放问题和可能的研究方向。
translated by 谷歌翻译
异质的大数据在机器学习中构成了许多挑战。它的巨大规模，高维度和固有的不确定性使机器学习的几乎每个方面都变得困难，从提供足够的处理能力到保持模型准确性到保护隐私。但是，也许最引人注目的问题是，大数据通常散布在敏感的个人数据中。因此，我们提出了一个保护隐私的层次模糊神经网络（PP-HFNN），以应对这些技术挑战，同时也减轻了隐私问题。通过两阶段优化算法对网络进行训练，并且基于众所周知的交替方向方法，通过方案学习了层次级别低级别的参数，该方案不会向其他代理揭示本地数据。高级层次结构的协调通过交替优化方法来处理，该方法的收敛很快。整个训练过程是可扩展的，快速的，并且不会遭受基于后传播的方法等梯度消失的问题。对回归和分类任务进行的综合模拟证明了所提出的模型的有效性。
translated by 谷歌翻译
天然气管道中的泄漏检测是石油和天然气行业的一个重要且持续的问题。这尤其重要，因为管道是运输天然气的最常见方法。这项研究旨在研究数据驱动的智能模型使用基本操作参数检测天然气管道的小泄漏的能力，然后使用现有的性能指标比较智能模型。该项目应用观察者设计技术，使用回归分类层次模型来检测天然气管道中的泄漏，其中智能模型充当回归器，并且修改后的逻辑回归模型充当分类器。该项目使用四个星期的管道数据流研究了五个智能模型（梯度提升，决策树，随机森林，支持向量机和人工神经网络）。结果表明，虽然支持向量机和人工神经网络比其他网络更好，但由于其内部复杂性和所使用的数据量，它们并未提供最佳的泄漏检测结果。随机森林和决策树模型是最敏感的，因为它们可以在大约2小时内检测到标称流量的0.1％的泄漏。所有智能模型在测试阶段中具有高可靠性，错误警报率为零。将所有智能模型泄漏检测的平均时间与文献中的实时短暂模型进行了比较。结果表明，智能模型在泄漏检测问题中的表现相对较好。该结果表明，可以与实时瞬态模型一起使用智能模型，以显着改善泄漏检测结果。
translated by 谷歌翻译
驾驶方式总结了反映车辆运动的不同驾驶行为。这些行为可能表明倾向于执行更风险的操作，消耗更多的燃料或能源，打破交通规则或仔细驾驶。因此，本文使用Interval-2类型模糊推理系统提出了驾驶风格的识别，并具有多个专家决策，以将驾驶员分类为平静，中等和激进。该系统接收到输入具有车辆运动的纵向和侧向运动参数。处理噪声数据时，类型2模糊集比Type-1模糊集更强大，因为它们的成员资格功能也是模糊集。此外，在构建模糊的规则基础时，多种专家方法可以减少偏见和不精确，该模糊规则基金会存储模糊系统的知识。使用描述性统计分析评估了所提出的方法，并将其与聚类算法和1型模糊推理系统进行了比较。结果表明，与其他算法相比，与2型模糊推理系统分类的驾驶方式相关的较低运动学概况的趋势与其他算法相比，这与专家意见的汇总采用了更保守的方法。
translated by 谷歌翻译
最近，分布式的半监督学习（DSSL）算法表明，它们在利用未标记的样本优于互连网络方面的有效性，在这些网络上，代理无法彼此共享其原始数据，并且只能与邻居传达非敏感信息。但是，现有的DSSL算法无法应对数据不确定性，并且可能会遭受高度计算和通信开销问题的困扰。为了解决这些问题，我们提出了一个分布式的半监督模糊回归（DSFR）模型，该模型具有模糊的规则和插值一致性正则化（ICR）。 ICR最近是针对半监督问题的，可以迫使决策边界通过稀疏的数据区域，从而增加模型的鲁棒性。但是，尚未考虑其在分布式方案中的应用。在这项工作中，我们提出了分布式模糊C均值（DFCM）方法和分布式插值一致性正则化（DICR）（DICR）构建在众所周知的乘数交替方向方法上，以分别定位DSFR的先行和结果组件中的参数。值得注意的是，DSFR模型的收敛非常快，因为它不涉及后传播过程，并且可扩展到从DFCM和DICR的利用率中受益的大规模数据集。人工和现实世界数据集的实验结果表明，就损失价值和计算成本而言，提出的DSFR模型可以比最新的DSSL算法获得更好的性能。
translated by 谷歌翻译