Jul, 2023

直觉模糊广义学习系统：提高对噪声和异常值的鲁棒性

PDF
TL;DR通过引入模糊学中的模糊成员值和非成员值来评分高维特征空间中的训练样本，我们提出了一种模糊 BLS（F-BLS）模型和基于直觉模糊理论的 BLS（IF-BLS）模型，这两种模型在噪声和离群点方面表现出优秀的泛化性能，并在实际应用中证明其有效性。
broad learning systemfuzzy blsif-blsrobustnessnoise and outliers
发现论文，激发创造
  • ConvBLS: 一种有效高效的增量卷积广义学习系统，用于图像分类

    该研究提出了一种基于球面 K-means 算法和两阶段多尺度特征融合的卷积广义学习系统 (ConvBLS)，该模型利用 SKM 算法学习 CF 层权重，引入 CE 层拓展特征空间并提出 TSMS 特征融合层实现 CF 层和 CE 层的特征融合，其增量学习算法可以快速重构模型，实验表明 ConvBLS 方法效率和准确率优于现有基于卷积的广义学习系统。

    Apr, 2023

  • 嵌入图的直觉模糊 RVFL 用于类别不平衡学习

    本文介绍了一种解决机器学习中分类不平衡问题的新模型，将图嵌入和直觉模糊集与权重方案相结合，可从不平衡的数据集中提取语义信息、处理不确定性和不精确性，提高对各种基准不平衡数据集的分类效果，具有较强的实际应用价值和推广前景。

    Jul, 2023

  • 利用深度学习高效学习大规模数据的模糊逻辑系统

    本文提出了一种嵌入到深度学习领域的计算高效的模糊逻辑系统（FLS）学习方法，通过提供计算高效的 FLS 实现，最小化训练时间并利用深度学习框架中提供的小批量优化器和自动微分机制，解决了 FLS 学习的挑战，并在基准数据集上展示了深度学习框架在 FLS 中的高效性。

    Apr, 2024

  • 基于投影的模糊最小二乘双支持向量机在类不平衡问题中的应用

    通过使用基于模糊逻辑的方法来处理类别不平衡和有噪声的数据集，对几种基准数据集和合成数据集进行了实验评估，结果显示所提出的 IF-RELSTSVM 和 F-RELSTSVM 模型在性能上优于基准算法，并进行了统计检验以验证所提出算法的显著性。

    Sep, 2023

  • 一种新的基于直觉模糊决策树的随机森林集成

    本文提出了一种基于直觉模糊随机森林（IFRF）的新型随机森林集成方法，结合了模糊逻辑和模糊集合的灵活性、随机抽样和特征选择的随机性以及多个分类器系统的鲁棒性，对复杂条件下的分类问题具有竞争力和优越性能。该方法通过使用直觉模糊信息增益选择特征并考虑信息传递中的犹豫性，在集成学习中使用直觉模糊决策树（IFDT），并通过广泛实验验证其优势。本研究首次提出了基于直觉模糊理论的随机森林集成算法。

    Mar, 2024

  • 用于多标签分类的区间类型 - 2 模糊神经网络

    本研究提出了基于区间二型模糊逻辑的多标签分类模型，其中使用深度神经网络预测实例类型 - 1 模糊成员资格和模糊化器，以生成区间二型模糊成员资格，并提出一种损失函数来测量数据集中的二元标签和我们的模型生成的区间二型模糊成员资格之间的相似性。实验证明，我们的方法在多标签分类基准测试中优于基线。

    Feb, 2023

  • UNFIS: 一种基于非结构化模糊规则的新型神经模糊推理系统用于分类

    本文提出了一种神经模糊推理系统，用于分类应用，可以选择不同的输入变量集合构建每个模糊规则的前提部分，且该方法比一些先前方法在某些真实世界分类问题中具有更好或非常接近的性能。

    Oct, 2022

  • 高维分类问题的集成特征选择和规则提取的自适应神经模糊系统

    提出了一种可处理维度高达 7000 以上的神经模糊系统 AdaTSK，其中引入了一种自适应 softmin 算法，以有效地克服现有模糊系统在处理高维问题时出现的问题，并可在集成的 FSRE-AdaTSK 系统中进行特征选择和规则提取。

    Jan, 2022

  • 在模糊规则二元分类中应用迭代特征选择

    基于模糊规则的二分类算法中，通过迭代特征选择和基于双聚类的规则挖掘，构建了一种特征选择框架，并使用自适应增强和加权平均构建了强分类器，实验结果表明该算法能取得良好的分类性能并超越同行方法。

    Jan, 2024

  • 实例化最大间隔用于实用的小样本识别

    提出一种实用的少样本学习 (pFSL) 框架，基于无监督的预训练模型，通过 IbM2 实现少样本的识别任务，实验证明 IbM2 方法在各种少样本或多样本情况中都比基准方法有更好的表现。

    May, 2023