摘要:深度随机配置网络(deep stochastic configuration network, DSCN)采取前馈学习方式, 基于特有的监督机制随机分配节点参数, 具有全局逼近性. 但是, 在实际场景下, 数据采集过程中潜在的离群值和噪声, 易对分类结果产生负面影响. 为提高DSCN解决二分类问题的性能, 基于DSCN引入直觉模糊数思想, 提出了一种直觉模糊深度随机配置网络(intuitionistic fuzzy deep stochastic configuration network, IFDSCN). 与标准DSCN不同, IFDSCN通过计算样本隶属度和非隶属度, 为每个样本分配一个直觉模糊数, 通过加权的方法来生成最优分类器, 以克服噪声和异常值对数据分类的负面影响. 在8个基准数据集上的实验结果表明, 所提出的模型与直觉模糊孪生支持向量机(intuitionistic fuzzy twin support vector machine, IFTWSVM)、核岭回归(kernel ridge regression, KRR)、直觉模糊核岭回归(intuitionistic fuzzy kernel ridge regression, IFKRR)、随机函数向量链接神经网络(random vector functional link neural network, RVFL)和SCN等学习模型相比, IFDSCN具有更好的二分类性能.