主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2019-2020年专刊出版计划 微信服务介绍 最新一期:2019年第3期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
周塔,邓赵红,蒋亦樟,王士同.一种具有良好分类性能且规则具有高可解释性的TSK模糊系统.软件学报,0,(0):0
一种具有良好分类性能且规则具有高可解释性的TSK模糊系统
TSK Fuzzy System with the Enhanced Classification Performance and Triplely Concise Interpretability for Fuzzy Rules
投稿时间:2017-09-17  修订日期:2018-04-16
DOI:10.13328/j.cnki.jos.005590
中文关键词:  Takagi-Sugeno-Kang (TSK)|随机划分|特征组合|可解释性|深度学习|栈式结构
英文关键词:Takagi-Sugeno-Kang (TSK)|random partition|random combination|interpretability|deep learning|stacked generalization
基金项目:国家自然科学基金(61772239,61702225,61572236),国际(地区)合作与交流项目(61711540041)
作者单位E-mail
周塔 江南大学 数字媒体学院, 江苏无锡 214122
江苏科技大学 电气与信息工程学院, 江苏镇江 212003 
l.jkdzhout@just.edu.cn 
邓赵红 江南大学 数字媒体学院, 江苏无锡 214122  
蒋亦樟 江南大学 数字媒体学院, 江苏无锡 214122  
王士同 江南大学 数字媒体学院, 江苏无锡 214122  
摘要点击次数: 105
全文下载次数: 87
中文摘要:
      虽然Takagi-Sugeno-Kang (TSK)模糊分类器在一些重要场合已经取得了广泛应用,但如何提高其分类性能和增强其可解释性仍然是目前研究热点.本文提出一种新的随机划分与组合特征且规则具有高可解释性的深度TSK模糊分类器(RCC-DTSK-C).但和其他分类器构造不同的是:(1) RCC-DTSK-C由很多基训练单元构成,这些基训练单元可以被独立训练.(2)每一个基训练单元的隐含层通过模糊规则的可解释性来表达,而这些模糊规则又是通过随机划分、随机组合来进行特征选择的.(3)基于栈式结构理论,源数据集作为相同的输入空间被映射到每一个独立的基训练单元中,这样就有效地保证了源数据的所有特征在每一个独立的训练单元中都得以保留.最后实验结果也表明了RCC-DTSK-C具有良好的分类性能和可解释性.
英文摘要:
      Although Takagi-Sugeno-Kang(TSK) is widely used in practically every profession, how to enhance its classification accuracy and interpretability is still a research focus. In this paper, a novel deep TSK fuzzy classifier is proposed. This classifier (i.e., RCC-DTSK-C) can randomly select features and combine features and own triplely concise interpretability for fuzzy rules. There are several variety of RCC-DTSK-C such as reasonable structure for rule representation, and others. (1)The proposed RCC-DTSK-C consists of many base-training units and each base-training unit can be trained independently. According to the principle of stacked generalization, the input of the next base-training unit consists of the training set and random result obtained from random projections about prediction results of current base-training unit. (2)In RCC-DTSK-C, the hidden layer of each base-training unit is represented by triplely concise interpretable fuzzy rules which are in the sense of randomly selected features. These features are selected by dividing into the not-fixed several fuzzy partitions and randomly combining rules and keeping the same input space in every base-training unit. (3) The source data set is mapped into each of the independent base-training units as the same input space, which effectively ensures that all the features of the source data are preserved in each separate training unit. The extensive experimental results shows RCC-DTSK-C can achieve the enhanced classification performance and triplely concise interpretability for fuzzy rules.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利