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

本论文通过采用 Zadeh 的 GT2 Fuzzy Set 定义，旨在学习能够在高精确度下可靠地实现高品质预测区间的 General Type-2 Fuzzy Logic Systems，并通过整合 Z-GT2-FS 与 α-plane 表示法来增加 GT2-FLS 的设计灵活性，提供了学习高维数据的解决方案，并发展了一个具有高性能的学习双重关注的 Z-GT2-FLS 深度学习框架，并通过统计分析表明，与具有更多可学习参数的 GT2 和 IT2 模糊对应物相比，Z-GT2-FLS 不仅表现出高精确性能，还产生了高品质预测区间，显示出巨大的不确定性量化潜力。

Apr, 2024

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

本研究提出了基于时域的模糊逻辑系统的可解释性人工智能方法，可以更好地解释现实世界中的不确定性，并在分类方面表现出更好的性能。此系统在处理时间依赖数据时，可以追踪时间相关的事件，从而可以在生物学和社会科学等真实世界的庞大过程中具有潜在的应用。

Oct, 2022

本文提出了一种新的个性化和可调节的区间二模糊逻辑系统，用于评估 PPG 信号的质量，该系统能够实现超低复杂度和实时的 PPG 质量评估，从而提高边缘上基于 PPG 的健康监测系统的准确性和可靠性。

Sep, 2023

本文介绍了一种名为 Interval Real Logic（IRL）的两重逻辑，该逻辑使用具有实际特征数据序列来解释知识，我们使用模糊逻辑解释连接词，使用梯形模糊间隔解释事件持续时间，使用间隔面积之间的关系解释模糊时间关系，同时介绍了 Interval Logic Tensor Networks（ILTN）—— 一种通过 IRL 的梯度传播来进行学习的神经符号系统。

Mar, 2023

提出了一种名为多标签 Takagi-Sugeno-Kang 模糊系统（ML-TSK FS）的新的多标签分类方法，通过使用模糊规则设计了 ML-TSK FS 的结构来建模特征和标签之间的关系，并通过集成基于模糊推理的多标签相关学习和多标签回归损失来训练模糊系统。12 个基准多标签数据集上的实验证明，ML-TSK FS 在各种评估指标上的性能与现有方法相竞争，表明它能够有效地使用模糊推理规则建模特征 - 标签关系并提升分类性能。

Sep, 2023

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。

Jul, 2023

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

本研究旨在开发使用模糊逻辑 Type2 的预测系统，该系统可以处理股票交易中人类行为的不确定性和复杂性，主要使用了四个技术指标，相对强度指数（RSI）、威廉平均（WA）、移动平均收敛 / 发散（MACD）和随机震荡器（SO），以确定交易决策的支撑和阻力级别。在 Nigerian Stock Exchange 上对 10 家上市公司的数据进行了测试，收集数据集包括每一个证券的开盘价、最高价、最低价和收盘价。

Feb, 2022