广义分层混合模糊系统及其泛逼近性

为避免广义模糊系统出现规则爆炸现象, 引进实参数将Mamdani模糊系统和T--S模糊系统统一起来建立广义分层混合模糊系统, 进而给出了广义分层混合模糊系统的数学表示. 此外, 应用方形分片线性函数的优良性质获得该广义分层混合模糊系统在积分模意义下仍具有泛逼近性, 并通过实例及仿真说明该分层混合模糊系统能够避免模糊规则爆炸问题.     

基于后件直联型分层的广义混合模糊系统及其积分模逼近

首先, 引入后件直联型分层方法及其推理规则, 以对广义混合模糊系统的输入变量实施分层, 获得分层广义混合模糊系统的输入输出表达式和推理规则数的计算公式; 然后, 基于??- 积分模(度量) 和分片线性函数证明分层后广义混合模糊系统对一类可积函数具有逼近性; 最后, 通过模拟实例给出后件直联型分层广义混合模糊系统对可积函数的逼近过程. 模拟结果表明, 所提出的方法不仅能使原系统模糊规则总数大大减少, 而且能使分层后系统仍具有逼近性.

     

基于中心型TSK模糊模型的分层模糊系统

模糊系统随着输入维数的增加,其中模糊规则和辨识参数的数量将按指数级增长,针对这一问题,采用分层模糊系统是一种很好的解决方法,但分层模糊系统中各层的辨识变量没有明确的物理含义,无法进行合理的模糊化设计和解释。基于一种分层模糊系统,引用中心性TSK模糊系统思想,从而构造了一种新型的模糊系统。这种新型模糊系统保留了分层模糊系统的结构优势,极大地减少了模糊系统的模糊规则数量和辨识参数数量,又能对用到的内部参数进行很好的解释。并通过实例仿真表明基于中心型TSK模糊模型的分层模糊系统具有较好的逼近性能和更简单的结构。     

基于规则和事例混合推理的设计型专家系统模型研究

该文根据设计活动的特点，在综述设计事例表示，组织与检索模型基础上详细讨论了基于规则混合推理专家系统结构模型，以及在收音机起落架起落机设计系统ＬＥＤＥＳ上具体应用。     

基于模糊类层次的广义模糊关联规则挖掘

项目的分类通常是呈模糊类层次,该文基于模糊类层次的概念,讨论模糊关联规则支持度和置信度的计算,并给出挖掘广义模糊关联规则的两个扩展算法。     

基于模糊知识的混合推理技术研究与应用

针对模糊知识的内在联系,提出了一种模糊推理与逆向推理相结合的混合推理技术,介绍了该技术的设计思想,结合模糊知识实现了算法,重点论述了模糊推理与逆向推理相结合的推理过程,实现了一种较为理想的不确定性推理方法,有效地提高了推理机的执行效率。     

混合案例推理和规则推理的集成推理框架

在智能决策系统（IDSS）获取知识的推理体系中，案例推理和规则推理有着各自的优点，而混合两者的集成推理可以克服两者的缺点，提高系统的效率和综合推理能力。但是集成推理系统缺乏通用性，延长了开发周期，且不利于规则库和案例库的重用。一种可扩充的集成推理框架为了解决上面的问题而被提出，该框架利用智能决策支持语言Knonit的组件性，对不同的集成方式可方便地扩充相应的集成推理方案，从而快速地搭建IDSS应用；同时规则和案例是作为Knonit广义知识元存在，可以在集成推理框架中复用，另一方面，Knonit的动态特性和可扩充性也对案例库和知识库动态的调整和扩充提供了支持。     

基于规则的模糊似然推理*

本文从函数映射关系来分析似然推理的三段论形式，结合似然推理的公理化约束，证明了该映射关系为连续形式。因此提出用带有判决层的前馈三层神经网来实现模糊似然推理，用大前作依据，产生近似规则来进行训练，并给出了例子证明该算法的有效性。     

改进的模糊推理规则图像边缘检测算法

图像边缘检测是数字图像处理领域的关键技术,边缘检测的结果决定了图像后续处理的质量。模糊推理规则边缘检测算法具有较强的边缘检测能力,并且具备一定的抗噪效果。但是,这种算法只在高斯噪声较小时有效,当高斯噪声较大时它的边缘检测效果甚至比Canny等算子的效果还差。针对模糊推理规则算法在强高斯噪声时效果较差的问题,提出一种改进的模糊边缘检测算法。该算法能够根据图像含噪情况调整边缘检测方案：当噪声较弱时,使用模糊推理规则边缘检测算法;当噪声较强时,为提高算法抑制噪声的能力,使用改进的模糊推理规则边缘检测算法。实验结果表明,该方法具有更好的抗噪性能和边缘检测能力。     

基于模糊推理的边缘检测新算法

研究了原有的基于模糊推理的边缘检测算法。在分析原有算法存在问题的基础上,提出了一种新的模糊化规则,利用方向灰度对比度去确定边缘隶属度值,增加了去除伪边缘的规则,使得边缘细化。对原有算法和新算法进行了品质因素和平均运行时间的算法性能的对比、分析。     

Genetic tuning of fuzzy inference within fuzzy classifier systems

Abstract: In generating a suitable fuzzy classifier system, significant effort is often placed on the determination and the fine tuning of the fuzzy sets. However, in such systems little thought is given to the way in which membership functions are combined within the fuzzy rules. Often traditional fuzzy inference strategies are used which consequently provide no control over how strongly or weakly the inference is applied within these rules. Furthermore such strategies will allow no interaction between grades of membership. A number of theoretical fuzzy inference operators have been proposed for both regression and classification problems but they have not been investigated in the context of real-world applications. In this paper we propose a novel genetic algorithm framework for optimizing the strength of fuzzy inference operators concurrently with the tuning of membership functions for a given fuzzy classifier system. Each fuzzy system is generated using two well-established decision tree algorithms: C4.5 and CHAID. This will enable both classification and regression problems to be addressed within the framework. Each solution generated by the genetic algorithm will produce a set of fuzzy membership functions and also determine how strongly the inference will be applied within each fuzzy rule. We investigate several theoretical proven fuzzy inference techniques (T-norms) in the context of both classification and regression problems. The methodology proposed is applied to a number of real-world data sets in order to determine the effects of the simultaneous tuning of membership functions and inference parameters on the accuracy and robustness of fuzzy classifiers.     

基于改进的模糊神经学习算法的模糊规则优化

对“改进的模糊神经学习算法”(DevelopedNeuro-FuzzyLearningAlgorithm)简单介绍,并针对这一新算法的缺点,提出了新的聚类方法得到最佳的规则数,利用模糊权值优化规则来改进这个算法,降低算法的时间复杂度,简化神经网络。     

A high performance edge detector based on fuzzy inference rules

Edge detection is an important topic in computer vision and image processing. In this paper, a novel edge detector based on fuzzy If-Then inference rules and edge continuity is proposed. The fuzzy If-Then rule system is designed to model edge continuity criteria. The maximum entropy principle is used in the parameter adjusting process. We also discuss the related issues in designing fuzzy edge detectors. We compare it with the popular edge detectors: Sobel and Canny edge detectors. The proposed fuzzy edge detector does not need parameter setting as Canny edge detector does, and it can preserve an appropriate detection in details. It is very robust to noise and can work well under high level noise situations, while other edge detectors cannot. The detector efficiently extracts edges in images corrupted by noise without requiring the filtering process. The experimental results demonstrate the superiority of the proposed method to existing ones.     

基于减法聚类和自适应神经模糊推理系统的递阶模糊系统的设计

提出了一种设计递阶模糊系统的简易而有效的方法.在得到一个单级模糊系统的基础上,用灵敏度分析法对每一个输入变量的重要性进行排序,从而确定每一级子系统的输入变量.利用减法聚类和自适应神经 模糊推理系统逐级对子系统进行训练.所得到的递阶模糊系统可进一步得到简化.仿真实例证实了设计方法的有效性.     

基于小波隶属函数的模糊推理规则优化

隶属函数决定着模糊集的特征,建立小波基函数与隶属函数之间的联系,从而利用小波分析探讨模糊推理的实质,以一种非对称Haar小波基与三角型、梯型隶属函数的对应关系为基础,将小波分析、遗传算法与模糊系统结合,利用遗传算法实现小波隶属函数的训练学习,进而实现模糊推理规则的优化。     

基于小波隶属函数的模糊推理规则优化

隶属函数决定着模糊集的特征，建立小波基函数与隶属函数之间的联系，从而利用小波分析探讨模糊推理的实质，以一种非对称Haar小波基与三角型、梯型隶属函数的对应关系为基础，将小波分析、遗传算法与模糊系统结合，利用遗传算法实现小波隶属函数的训练学习，进而实现模糊推理规则的优化。     

基于自适应直觉模糊推理的数据挖掘方法

针对数据挖掘问题,将直觉模糊集与神经网络理论相结合,提出一种新的方法。用自适应直觉模糊推理的方法来解决数据挖掘问题,该方法可以根据直觉模糊神经网络本身的自适应学习能力来调节网络参数,自动生成规则库。最后通过一个仿真实例证明了该方法的有效性。