Fuzzy sets
1
1965
... 模糊集合论[1]由 Zadeh 教授于 1965 年首次提出,该集合称为 I-型模糊集合(type-1 fuzzy set, T1-FS).由于经典控制论过于强调精确性,无法解决复杂系统问题,因此Zadeh教授决定采用数学的形式描述模糊概念.模糊集合论的提出使计算机突破了无法处理模糊概念的禁锢.Zadeh 教授[2]于1975年提出II-型模糊集合(type-2 fuzzy set,T2-FS)的概念,增强了集合的模糊性,进而提高了处理不确定性问题的能力.II-型模糊集合及系统作为I-型模糊集合与系统的扩展,其最主要的特征是能够对不确定性问题进行建模并最小化其影响.若所有不确定性都消失了,则II-型模糊集合和系统将与I-型模糊集合和系统相对应.此外,Zadeh 教授陆续提出了模糊算法[3]、模糊决策[4]、模糊排序[5]等概念,Zadeh教授在模糊领域所做的贡献为人工智能(artificial intelligence,AI)开辟了一条新道路,使模糊系统(fuzzy system,FS)的研究得以快速发展.有学者将 FS 应用在了控制领域,促进了用于处理实际系统的模糊控制器的产生[6]. ...
The concept of a linguistic variable and its application to approximate reasoning-I
1
1975
... 模糊集合论[1]由 Zadeh 教授于 1965 年首次提出,该集合称为 I-型模糊集合(type-1 fuzzy set, T1-FS).由于经典控制论过于强调精确性,无法解决复杂系统问题,因此Zadeh教授决定采用数学的形式描述模糊概念.模糊集合论的提出使计算机突破了无法处理模糊概念的禁锢.Zadeh 教授[2]于1975年提出II-型模糊集合(type-2 fuzzy set,T2-FS)的概念,增强了集合的模糊性,进而提高了处理不确定性问题的能力.II-型模糊集合及系统作为I-型模糊集合与系统的扩展,其最主要的特征是能够对不确定性问题进行建模并最小化其影响.若所有不确定性都消失了,则II-型模糊集合和系统将与I-型模糊集合和系统相对应.此外,Zadeh 教授陆续提出了模糊算法[3]、模糊决策[4]、模糊排序[5]等概念,Zadeh教授在模糊领域所做的贡献为人工智能(artificial intelligence,AI)开辟了一条新道路,使模糊系统(fuzzy system,FS)的研究得以快速发展.有学者将 FS 应用在了控制领域,促进了用于处理实际系统的模糊控制器的产生[6]. ...
Fuzzy algorithms
1
1968
... 模糊集合论[1]由 Zadeh 教授于 1965 年首次提出,该集合称为 I-型模糊集合(type-1 fuzzy set, T1-FS).由于经典控制论过于强调精确性,无法解决复杂系统问题,因此Zadeh教授决定采用数学的形式描述模糊概念.模糊集合论的提出使计算机突破了无法处理模糊概念的禁锢.Zadeh 教授[2]于1975年提出II-型模糊集合(type-2 fuzzy set,T2-FS)的概念,增强了集合的模糊性,进而提高了处理不确定性问题的能力.II-型模糊集合及系统作为I-型模糊集合与系统的扩展,其最主要的特征是能够对不确定性问题进行建模并最小化其影响.若所有不确定性都消失了,则II-型模糊集合和系统将与I-型模糊集合和系统相对应.此外,Zadeh 教授陆续提出了模糊算法[3]、模糊决策[4]、模糊排序[5]等概念,Zadeh教授在模糊领域所做的贡献为人工智能(artificial intelligence,AI)开辟了一条新道路,使模糊系统(fuzzy system,FS)的研究得以快速发展.有学者将 FS 应用在了控制领域,促进了用于处理实际系统的模糊控制器的产生[6]. ...
Decision-making in a fuzzy environment
1
1970
... 模糊集合论[1]由 Zadeh 教授于 1965 年首次提出,该集合称为 I-型模糊集合(type-1 fuzzy set, T1-FS).由于经典控制论过于强调精确性,无法解决复杂系统问题,因此Zadeh教授决定采用数学的形式描述模糊概念.模糊集合论的提出使计算机突破了无法处理模糊概念的禁锢.Zadeh 教授[2]于1975年提出II-型模糊集合(type-2 fuzzy set,T2-FS)的概念,增强了集合的模糊性,进而提高了处理不确定性问题的能力.II-型模糊集合及系统作为I-型模糊集合与系统的扩展,其最主要的特征是能够对不确定性问题进行建模并最小化其影响.若所有不确定性都消失了,则II-型模糊集合和系统将与I-型模糊集合和系统相对应.此外,Zadeh 教授陆续提出了模糊算法[3]、模糊决策[4]、模糊排序[5]等概念,Zadeh教授在模糊领域所做的贡献为人工智能(artificial intelligence,AI)开辟了一条新道路,使模糊系统(fuzzy system,FS)的研究得以快速发展.有学者将 FS 应用在了控制领域,促进了用于处理实际系统的模糊控制器的产生[6]. ...
Similarity relations and fuzzy ordering
1
1971
... 模糊集合论[1]由 Zadeh 教授于 1965 年首次提出,该集合称为 I-型模糊集合(type-1 fuzzy set, T1-FS).由于经典控制论过于强调精确性,无法解决复杂系统问题,因此Zadeh教授决定采用数学的形式描述模糊概念.模糊集合论的提出使计算机突破了无法处理模糊概念的禁锢.Zadeh 教授[2]于1975年提出II-型模糊集合(type-2 fuzzy set,T2-FS)的概念,增强了集合的模糊性,进而提高了处理不确定性问题的能力.II-型模糊集合及系统作为I-型模糊集合与系统的扩展,其最主要的特征是能够对不确定性问题进行建模并最小化其影响.若所有不确定性都消失了,则II-型模糊集合和系统将与I-型模糊集合和系统相对应.此外,Zadeh 教授陆续提出了模糊算法[3]、模糊决策[4]、模糊排序[5]等概念,Zadeh教授在模糊领域所做的贡献为人工智能(artificial intelligence,AI)开辟了一条新道路,使模糊系统(fuzzy system,FS)的研究得以快速发展.有学者将 FS 应用在了控制领域,促进了用于处理实际系统的模糊控制器的产生[6]. ...
An introduction to fuzzy control || stability of fuzzy control systems
1
1993
... 模糊集合论[1]由 Zadeh 教授于 1965 年首次提出,该集合称为 I-型模糊集合(type-1 fuzzy set, T1-FS).由于经典控制论过于强调精确性,无法解决复杂系统问题,因此Zadeh教授决定采用数学的形式描述模糊概念.模糊集合论的提出使计算机突破了无法处理模糊概念的禁锢.Zadeh 教授[2]于1975年提出II-型模糊集合(type-2 fuzzy set,T2-FS)的概念,增强了集合的模糊性,进而提高了处理不确定性问题的能力.II-型模糊集合及系统作为I-型模糊集合与系统的扩展,其最主要的特征是能够对不确定性问题进行建模并最小化其影响.若所有不确定性都消失了,则II-型模糊集合和系统将与I-型模糊集合和系统相对应.此外,Zadeh 教授陆续提出了模糊算法[3]、模糊决策[4]、模糊排序[5]等概念,Zadeh教授在模糊领域所做的贡献为人工智能(artificial intelligence,AI)开辟了一条新道路,使模糊系统(fuzzy system,FS)的研究得以快速发展.有学者将 FS 应用在了控制领域,促进了用于处理实际系统的模糊控制器的产生[6]. ...
Fuzzy system design principles
1
1997
... FS能够模仿人类的知识推理能力,将复杂的模糊问题清晰化,将具体问题抽象成函数问题,并基于组合规则库中的 IF-THEN 规则生成输入与输出的映射关系[7].FS具有如下优点:一是可以逼近任意非线性函数;二是可以充分利用各种有效信息,有机结合数据信息和描述信息,从而建立误差尽可能小的非线性函数;三是其规则可以很好地解释FS的结构及参数,可解释性强[8].FS的可解释性(包括最简约模糊划分、完备-清晰性、模糊规则的完备性、紧凑性和一致性[9])可以解释算法的模型结构和参数,可以体现输出结果的产生过程,为人们理解 FS 的原理提供了便利.而神经网络(neural network,NN)在可解释性上却很差,即使是专家也难以解释和理解其参数的意义,这也是NN难以被应用到安全等领域的原因之一.目前,虽然基于神经网络的方法、基于全局优化(global optimization,GO)的FS以及NN、FS和遗传算法(genetic algorithm,GA)三者结合的方法较好地解决了图像识别、自然语言处理等可解释性差的问题,但却无法保证其可解释性.原因是这些算法的目标是获得最优的系统响应性能,而对于模糊集合划分个数、隶属度函数参数的选取却缺乏有效的指导.因此,如何得到最优的响应系统,同时又保证较高的可解释性,成为一个亟待解决的问题. ...
模糊系统:挑战与机遇并存—— 十年研究之感悟
1
2001
... FS能够模仿人类的知识推理能力,将复杂的模糊问题清晰化,将具体问题抽象成函数问题,并基于组合规则库中的 IF-THEN 规则生成输入与输出的映射关系[7].FS具有如下优点:一是可以逼近任意非线性函数;二是可以充分利用各种有效信息,有机结合数据信息和描述信息,从而建立误差尽可能小的非线性函数;三是其规则可以很好地解释FS的结构及参数,可解释性强[8].FS的可解释性(包括最简约模糊划分、完备-清晰性、模糊规则的完备性、紧凑性和一致性[9])可以解释算法的模型结构和参数,可以体现输出结果的产生过程,为人们理解 FS 的原理提供了便利.而神经网络(neural network,NN)在可解释性上却很差,即使是专家也难以解释和理解其参数的意义,这也是NN难以被应用到安全等领域的原因之一.目前,虽然基于神经网络的方法、基于全局优化(global optimization,GO)的FS以及NN、FS和遗传算法(genetic algorithm,GA)三者结合的方法较好地解决了图像识别、自然语言处理等可解释性差的问题,但却无法保证其可解释性.原因是这些算法的目标是获得最优的系统响应性能,而对于模糊集合划分个数、隶属度函数参数的选取却缺乏有效的指导.因此,如何得到最优的响应系统,同时又保证较高的可解释性,成为一个亟待解决的问题. ...
模糊系统:挑战与机遇并存—— 十年研究之感悟
1
2001
... FS能够模仿人类的知识推理能力,将复杂的模糊问题清晰化,将具体问题抽象成函数问题,并基于组合规则库中的 IF-THEN 规则生成输入与输出的映射关系[7].FS具有如下优点:一是可以逼近任意非线性函数;二是可以充分利用各种有效信息,有机结合数据信息和描述信息,从而建立误差尽可能小的非线性函数;三是其规则可以很好地解释FS的结构及参数,可解释性强[8].FS的可解释性(包括最简约模糊划分、完备-清晰性、模糊规则的完备性、紧凑性和一致性[9])可以解释算法的模型结构和参数,可以体现输出结果的产生过程,为人们理解 FS 的原理提供了便利.而神经网络(neural network,NN)在可解释性上却很差,即使是专家也难以解释和理解其参数的意义,这也是NN难以被应用到安全等领域的原因之一.目前,虽然基于神经网络的方法、基于全局优化(global optimization,GO)的FS以及NN、FS和遗传算法(genetic algorithm,GA)三者结合的方法较好地解决了图像识别、自然语言处理等可解释性差的问题,但却无法保证其可解释性.原因是这些算法的目标是获得最优的系统响应性能,而对于模糊集合划分个数、隶属度函数参数的选取却缺乏有效的指导.因此,如何得到最优的响应系统,同时又保证较高的可解释性,成为一个亟待解决的问题. ...
基于进化策略生成可解释性模糊系统
1
2005
... FS能够模仿人类的知识推理能力,将复杂的模糊问题清晰化,将具体问题抽象成函数问题,并基于组合规则库中的 IF-THEN 规则生成输入与输出的映射关系[7].FS具有如下优点:一是可以逼近任意非线性函数;二是可以充分利用各种有效信息,有机结合数据信息和描述信息,从而建立误差尽可能小的非线性函数;三是其规则可以很好地解释FS的结构及参数,可解释性强[8].FS的可解释性(包括最简约模糊划分、完备-清晰性、模糊规则的完备性、紧凑性和一致性[9])可以解释算法的模型结构和参数,可以体现输出结果的产生过程,为人们理解 FS 的原理提供了便利.而神经网络(neural network,NN)在可解释性上却很差,即使是专家也难以解释和理解其参数的意义,这也是NN难以被应用到安全等领域的原因之一.目前,虽然基于神经网络的方法、基于全局优化(global optimization,GO)的FS以及NN、FS和遗传算法(genetic algorithm,GA)三者结合的方法较好地解决了图像识别、自然语言处理等可解释性差的问题,但却无法保证其可解释性.原因是这些算法的目标是获得最优的系统响应性能,而对于模糊集合划分个数、隶属度函数参数的选取却缺乏有效的指导.因此,如何得到最优的响应系统,同时又保证较高的可解释性,成为一个亟待解决的问题. ...
基于进化策略生成可解释性模糊系统
1
2005
... FS能够模仿人类的知识推理能力,将复杂的模糊问题清晰化,将具体问题抽象成函数问题,并基于组合规则库中的 IF-THEN 规则生成输入与输出的映射关系[7].FS具有如下优点:一是可以逼近任意非线性函数;二是可以充分利用各种有效信息,有机结合数据信息和描述信息,从而建立误差尽可能小的非线性函数;三是其规则可以很好地解释FS的结构及参数,可解释性强[8].FS的可解释性(包括最简约模糊划分、完备-清晰性、模糊规则的完备性、紧凑性和一致性[9])可以解释算法的模型结构和参数,可以体现输出结果的产生过程,为人们理解 FS 的原理提供了便利.而神经网络(neural network,NN)在可解释性上却很差,即使是专家也难以解释和理解其参数的意义,这也是NN难以被应用到安全等领域的原因之一.目前,虽然基于神经网络的方法、基于全局优化(global optimization,GO)的FS以及NN、FS和遗传算法(genetic algorithm,GA)三者结合的方法较好地解决了图像识别、自然语言处理等可解释性差的问题,但却无法保证其可解释性.原因是这些算法的目标是获得最优的系统响应性能,而对于模糊集合划分个数、隶属度函数参数的选取却缺乏有效的指导.因此,如何得到最优的响应系统,同时又保证较高的可解释性,成为一个亟待解决的问题. ...
模糊控制
2
1999
... 20世纪70年代初,许多学者利用FS可解释性强、易于控制的优点,将模糊理论运用于自动化控制领域,由此产生了模糊控制器这一概念,Mamdani在 1974 年研制出了第一个模糊控制器,并将其应用在了锅炉和蒸汽机的控制上,取得了很好的效果,这也标志着模糊控制论的诞生[10].在此之后,又陆续出现了多种模糊控制应用,如日本学者Sugeno为了更好地控制电子水净化厂,于1980年研制出日本首个模糊控制应用,其后又研制出了模糊机器人;Yasunobu 和 Miyamoto 等人于 20 世纪80年代初为仙台地铁开发出了一套FS应用;日本松下电器有限公司于 1990 年生产了第一台模糊洗衣机;日本三菱汽车公司于 1992 年研制出汽车模糊控制多用途系统等[11].事实证明,FS 在控制领域的潜力巨大,其不仅易于构造,而且操作效果好. ...
... 1992年Wang等人利用Stone-Weierstrass定理,证明了一类 FS 是万能逼近器,逼近精度可以达到任意值.并在模糊隶属度函数表示的基础上,提出通过一种基于输入输出对的正交最小二乘学习算法设计FS[10].同年,Wang等人使FS具有了从数据中学习模糊规则的能力[11],并创立了WM方法[31].1993 年 Jang 发明了基于自适应神经网络的模糊推理系统(adaptive network-based fuzzy inference system,ANFIS),提出了 ANFIS 的体系结构和学习过程[32],Wang和Jang共同开创了当时比较热点的神经模糊系统(neural fuzzy system,NFS).FS的发展越来越快,许多学者朝着 FS 的方向不断前进.IEEE于1993年对FS表示认可,并创办了IEEE FS会刊,标志着模糊理论被大多数人接受.1994年, Kosko[33]证明了 FS 可以对任意一个真实连续函数进行任意程度的精确逼近.1999年,为了更好地描述和处理不确定性问题,Mendel等人[34]提出了Ⅱ-型模糊逻辑系统,该系统是在传统FS上进行扩展得到的,增强了 FS 解决复杂系统问题的能力.FS逐渐拥有了自适应学习的能力,并在各领域取得了很大的进步,FS第二次攀上了发展的高峰. ...
模糊控制
2
1999
... 20世纪70年代初,许多学者利用FS可解释性强、易于控制的优点,将模糊理论运用于自动化控制领域,由此产生了模糊控制器这一概念,Mamdani在 1974 年研制出了第一个模糊控制器,并将其应用在了锅炉和蒸汽机的控制上,取得了很好的效果,这也标志着模糊控制论的诞生[10].在此之后,又陆续出现了多种模糊控制应用,如日本学者Sugeno为了更好地控制电子水净化厂,于1980年研制出日本首个模糊控制应用,其后又研制出了模糊机器人;Yasunobu 和 Miyamoto 等人于 20 世纪80年代初为仙台地铁开发出了一套FS应用;日本松下电器有限公司于 1990 年生产了第一台模糊洗衣机;日本三菱汽车公司于 1992 年研制出汽车模糊控制多用途系统等[11].事实证明,FS 在控制领域的潜力巨大,其不仅易于构造,而且操作效果好. ...
... 1992年Wang等人利用Stone-Weierstrass定理,证明了一类 FS 是万能逼近器,逼近精度可以达到任意值.并在模糊隶属度函数表示的基础上,提出通过一种基于输入输出对的正交最小二乘学习算法设计FS[10].同年,Wang等人使FS具有了从数据中学习模糊规则的能力[11],并创立了WM方法[31].1993 年 Jang 发明了基于自适应神经网络的模糊推理系统(adaptive network-based fuzzy inference system,ANFIS),提出了 ANFIS 的体系结构和学习过程[32],Wang和Jang共同开创了当时比较热点的神经模糊系统(neural fuzzy system,NFS).FS的发展越来越快,许多学者朝着 FS 的方向不断前进.IEEE于1993年对FS表示认可,并创办了IEEE FS会刊,标志着模糊理论被大多数人接受.1994年, Kosko[33]证明了 FS 可以对任意一个真实连续函数进行任意程度的精确逼近.1999年,为了更好地描述和处理不确定性问题,Mendel等人[34]提出了Ⅱ-型模糊逻辑系统,该系统是在传统FS上进行扩展得到的,增强了 FS 解决复杂系统问题的能力.FS逐渐拥有了自适应学习的能力,并在各领域取得了很大的进步,FS第二次攀上了发展的高峰. ...
模糊逻辑与智能系统
2
2016
... 20世纪70年代初,许多学者利用FS可解释性强、易于控制的优点,将模糊理论运用于自动化控制领域,由此产生了模糊控制器这一概念,Mamdani在 1974 年研制出了第一个模糊控制器,并将其应用在了锅炉和蒸汽机的控制上,取得了很好的效果,这也标志着模糊控制论的诞生[10].在此之后,又陆续出现了多种模糊控制应用,如日本学者Sugeno为了更好地控制电子水净化厂,于1980年研制出日本首个模糊控制应用,其后又研制出了模糊机器人;Yasunobu 和 Miyamoto 等人于 20 世纪80年代初为仙台地铁开发出了一套FS应用;日本松下电器有限公司于 1990 年生产了第一台模糊洗衣机;日本三菱汽车公司于 1992 年研制出汽车模糊控制多用途系统等[11].事实证明,FS 在控制领域的潜力巨大,其不仅易于构造,而且操作效果好. ...
... 1992年Wang等人利用Stone-Weierstrass定理,证明了一类 FS 是万能逼近器,逼近精度可以达到任意值.并在模糊隶属度函数表示的基础上,提出通过一种基于输入输出对的正交最小二乘学习算法设计FS[10].同年,Wang等人使FS具有了从数据中学习模糊规则的能力[11],并创立了WM方法[31].1993 年 Jang 发明了基于自适应神经网络的模糊推理系统(adaptive network-based fuzzy inference system,ANFIS),提出了 ANFIS 的体系结构和学习过程[32],Wang和Jang共同开创了当时比较热点的神经模糊系统(neural fuzzy system,NFS).FS的发展越来越快,许多学者朝着 FS 的方向不断前进.IEEE于1993年对FS表示认可,并创办了IEEE FS会刊,标志着模糊理论被大多数人接受.1994年, Kosko[33]证明了 FS 可以对任意一个真实连续函数进行任意程度的精确逼近.1999年,为了更好地描述和处理不确定性问题,Mendel等人[34]提出了Ⅱ-型模糊逻辑系统,该系统是在传统FS上进行扩展得到的,增强了 FS 解决复杂系统问题的能力.FS逐渐拥有了自适应学习的能力,并在各领域取得了很大的进步,FS第二次攀上了发展的高峰. ...
模糊逻辑与智能系统
2
2016
... 20世纪70年代初,许多学者利用FS可解释性强、易于控制的优点,将模糊理论运用于自动化控制领域,由此产生了模糊控制器这一概念,Mamdani在 1974 年研制出了第一个模糊控制器,并将其应用在了锅炉和蒸汽机的控制上,取得了很好的效果,这也标志着模糊控制论的诞生[10].在此之后,又陆续出现了多种模糊控制应用,如日本学者Sugeno为了更好地控制电子水净化厂,于1980年研制出日本首个模糊控制应用,其后又研制出了模糊机器人;Yasunobu 和 Miyamoto 等人于 20 世纪80年代初为仙台地铁开发出了一套FS应用;日本松下电器有限公司于 1990 年生产了第一台模糊洗衣机;日本三菱汽车公司于 1992 年研制出汽车模糊控制多用途系统等[11].事实证明,FS 在控制领域的潜力巨大,其不仅易于构造,而且操作效果好. ...
... 1992年Wang等人利用Stone-Weierstrass定理,证明了一类 FS 是万能逼近器,逼近精度可以达到任意值.并在模糊隶属度函数表示的基础上,提出通过一种基于输入输出对的正交最小二乘学习算法设计FS[10].同年,Wang等人使FS具有了从数据中学习模糊规则的能力[11],并创立了WM方法[31].1993 年 Jang 发明了基于自适应神经网络的模糊推理系统(adaptive network-based fuzzy inference system,ANFIS),提出了 ANFIS 的体系结构和学习过程[32],Wang和Jang共同开创了当时比较热点的神经模糊系统(neural fuzzy system,NFS).FS的发展越来越快,许多学者朝着 FS 的方向不断前进.IEEE于1993年对FS表示认可,并创办了IEEE FS会刊,标志着模糊理论被大多数人接受.1994年, Kosko[33]证明了 FS 可以对任意一个真实连续函数进行任意程度的精确逼近.1999年,为了更好地描述和处理不确定性问题,Mendel等人[34]提出了Ⅱ-型模糊逻辑系统,该系统是在传统FS上进行扩展得到的,增强了 FS 解决复杂系统问题的能力.FS逐渐拥有了自适应学习的能力,并在各领域取得了很大的进步,FS第二次攀上了发展的高峰. ...
Fuzzy basis functions,universal approximation,and orthogonal least-squares learning
1
1992
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
Generating fuzzy rules by learning from examples
1
1992
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
Stable adaptive fuzzy control of nonlinear systems
1
1993
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
Nonsingleton fuzzy logic systems:theory and application
1
1997
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
Operations on type-2 fuzzy sets
1
2001
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
Modeling MPEG VBR video traffic using type-2 fuzzy logic systems
1
2001
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
Uncertainty bounds and their use in the design of interval type-2 fuzzy logic systems
1
2002
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
An efficient centroid type-reduction strategy for general type-2 fuzzy logic system
1
2008
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
Enhanced Karnik-Mendel algorithms
1
2009
... II-型模糊集合作为I-型模糊集合的扩展,其对应的模糊控制器在高不确定性场合性能明显优于I-型控制器.近些年,经过众多学者的共同努力, FS领域的研究得到了快速发展,并取得了骄人的成就.如Wang研究了I-类型单重模糊集和系统,并取得了3项主要突破:一是证明I-型模糊系统是万能逼近器[12];二是提出从数据中提取规则的WM (Wang-Mendel)方法[13];三是设计出能够确保稳定性的模糊控制器[14].除此之外,Wang还在模糊基函数展开、隶属函数参数以及模糊系统可解释行等方面取得了一系列突破.Mouzouris[15]将Wang的工作扩展到非单重模糊化,同时利用奇异值分解(singular value decomposition,SVD)算法降低了模糊规则数.Karnik[16]给出了单变量II-型模糊系统的基本框架,包括 2 个计算类型约简集的算法(KM算法)以及计算一般II-型模糊集的算法等.Liang[17]将一类模糊集的不确定性问题建模为一类区间模糊数,建模结果是区间II-型Mamdani和TSK模糊系统.Wu[18]提出了区间集降型的不确定性界,证明了一个关于质心切换点的重要结果.Liu[19]提出了一般II-型模糊集的α平面表示,并展示了如何计算一般 II-型模糊集的质心.Wu[20]改进了知识管理算法,并提供了许多关于模糊系统非常重要的见解和理论结果,包括I-型模糊系统和区间II-型模糊系统的连续性及基本区别. ...
A view on fuzzy systems for big data:progress and opportunities
1
2016
... 尽管 FS 在一些领域上已经取得了进步,但近些年来,对 FS 的研究并非主流,其中一个主要的原因是人们对 FS 的认识仍停留在初级阶段,一些基于 FS 的理论还不够完善.另外,由于当前大数据框架下的 FS 理论问题研究和应用呈现出日益增长的趋势[21],对 FS 提出了应对高维大数据问题的挑战.Ferranti 等人[22]曾提出一个分布式的PAES-RCS 版本进化方法,使 FS 从大量数据中提取模糊规则后仍能够解释推断出结论的原因;Marquez等人[23]以大数据环境下的模糊回归为例,提出了一种分布式MapReduce模型,提高了模糊模型的精度.但 FS 依然存在维数灾难的问题.若能够解决高维大数据的问题,FS便能够轻松地解决复杂系统的问题.而在 FS 能够快速解决复杂系统的问题后,还需要验证和说明FS的合法性和有效性[24],针对 FS 中的学习算法优化其收敛性和性能指标,并进行FS的可靠性分析[25]. ...
A multi-objective evolutionary fuzzy system for big data
1
2016
... 尽管 FS 在一些领域上已经取得了进步,但近些年来,对 FS 的研究并非主流,其中一个主要的原因是人们对 FS 的认识仍停留在初级阶段,一些基于 FS 的理论还不够完善.另外,由于当前大数据框架下的 FS 理论问题研究和应用呈现出日益增长的趋势[21],对 FS 提出了应对高维大数据问题的挑战.Ferranti 等人[22]曾提出一个分布式的PAES-RCS 版本进化方法,使 FS 从大量数据中提取模糊规则后仍能够解释推断出结论的原因;Marquez等人[23]以大数据环境下的模糊回归为例,提出了一种分布式MapReduce模型,提高了模糊模型的精度.但 FS 依然存在维数灾难的问题.若能够解决高维大数据的问题,FS便能够轻松地解决复杂系统的问题.而在 FS 能够快速解决复杂系统的问题后,还需要验证和说明FS的合法性和有效性[24],针对 FS 中的学习算法优化其收敛性和性能指标,并进行FS的可靠性分析[25]. ...
A scalable evolutionary linguistic fuzzy system with adaptive defuzzification in big data
1
2017
... 尽管 FS 在一些领域上已经取得了进步,但近些年来,对 FS 的研究并非主流,其中一个主要的原因是人们对 FS 的认识仍停留在初级阶段,一些基于 FS 的理论还不够完善.另外,由于当前大数据框架下的 FS 理论问题研究和应用呈现出日益增长的趋势[21],对 FS 提出了应对高维大数据问题的挑战.Ferranti 等人[22]曾提出一个分布式的PAES-RCS 版本进化方法,使 FS 从大量数据中提取模糊规则后仍能够解释推断出结论的原因;Marquez等人[23]以大数据环境下的模糊回归为例,提出了一种分布式MapReduce模型,提高了模糊模型的精度.但 FS 依然存在维数灾难的问题.若能够解决高维大数据的问题,FS便能够轻松地解决复杂系统的问题.而在 FS 能够快速解决复杂系统的问题后,还需要验证和说明FS的合法性和有效性[24],针对 FS 中的学习算法优化其收敛性和性能指标,并进行FS的可靠性分析[25]. ...
关于模糊系统研究的认识和评价以及其他
1
2002
... 尽管 FS 在一些领域上已经取得了进步,但近些年来,对 FS 的研究并非主流,其中一个主要的原因是人们对 FS 的认识仍停留在初级阶段,一些基于 FS 的理论还不够完善.另外,由于当前大数据框架下的 FS 理论问题研究和应用呈现出日益增长的趋势[21],对 FS 提出了应对高维大数据问题的挑战.Ferranti 等人[22]曾提出一个分布式的PAES-RCS 版本进化方法,使 FS 从大量数据中提取模糊规则后仍能够解释推断出结论的原因;Marquez等人[23]以大数据环境下的模糊回归为例,提出了一种分布式MapReduce模型,提高了模糊模型的精度.但 FS 依然存在维数灾难的问题.若能够解决高维大数据的问题,FS便能够轻松地解决复杂系统的问题.而在 FS 能够快速解决复杂系统的问题后,还需要验证和说明FS的合法性和有效性[24],针对 FS 中的学习算法优化其收敛性和性能指标,并进行FS的可靠性分析[25]. ...
关于模糊系统研究的认识和评价以及其他
1
2002
... 尽管 FS 在一些领域上已经取得了进步,但近些年来,对 FS 的研究并非主流,其中一个主要的原因是人们对 FS 的认识仍停留在初级阶段,一些基于 FS 的理论还不够完善.另外,由于当前大数据框架下的 FS 理论问题研究和应用呈现出日益增长的趋势[21],对 FS 提出了应对高维大数据问题的挑战.Ferranti 等人[22]曾提出一个分布式的PAES-RCS 版本进化方法,使 FS 从大量数据中提取模糊规则后仍能够解释推断出结论的原因;Marquez等人[23]以大数据环境下的模糊回归为例,提出了一种分布式MapReduce模型,提高了模糊模型的精度.但 FS 依然存在维数灾难的问题.若能够解决高维大数据的问题,FS便能够轻松地解决复杂系统的问题.而在 FS 能够快速解决复杂系统的问题后,还需要验证和说明FS的合法性和有效性[24],针对 FS 中的学习算法优化其收敛性和性能指标,并进行FS的可靠性分析[25]. ...
Erratum to:fuzzy system reliability analysis using fuzzy number arithmetic operations
1
1994
... 尽管 FS 在一些领域上已经取得了进步,但近些年来,对 FS 的研究并非主流,其中一个主要的原因是人们对 FS 的认识仍停留在初级阶段,一些基于 FS 的理论还不够完善.另外,由于当前大数据框架下的 FS 理论问题研究和应用呈现出日益增长的趋势[21],对 FS 提出了应对高维大数据问题的挑战.Ferranti 等人[22]曾提出一个分布式的PAES-RCS 版本进化方法,使 FS 从大量数据中提取模糊规则后仍能够解释推断出结论的原因;Marquez等人[23]以大数据环境下的模糊回归为例,提出了一种分布式MapReduce模型,提高了模糊模型的精度.但 FS 依然存在维数灾难的问题.若能够解决高维大数据的问题,FS便能够轻松地解决复杂系统的问题.而在 FS 能够快速解决复杂系统的问题后,还需要验证和说明FS的合法性和有效性[24],针对 FS 中的学习算法优化其收敛性和性能指标,并进行FS的可靠性分析[25]. ...
模糊决策方法研究
1
1999
... 模糊理论的初衷是解决复杂系统问题,因此Zadeh 通过引进模糊数学的方式将复杂系统中的模糊问题清晰化,找到了一种可以处理不确定性问题的方法.1965 年后,Zadeh 教授陆续提出了模糊算法、模糊决策、模糊排序等概念.模糊算法主要是先对数据进行模糊化,再产生模糊规则,最后根据模糊规则对要输出的信息进行解模糊化,经过一系列的实践和应用证明,模糊算法优于传统方法,具有较高的可行性.模糊决策是模糊集合论与决策理论结合产生的一个新概念,它可以模拟人类思维进行有效的决策[26].模糊排序是对排序概念的推广,是一种传递的模糊关系,如关系(x比y大得多)是实数集中的模糊线性排序.1974年,Mamdani教授将模糊数学理论应用于对复杂系统的控制,并研制出首个模糊控制器[27],这标志着模糊控制理论的诞生,同时也开创了模糊控制领域的先河. ...
模糊决策方法研究
1
1999
... 模糊理论的初衷是解决复杂系统问题,因此Zadeh 通过引进模糊数学的方式将复杂系统中的模糊问题清晰化,找到了一种可以处理不确定性问题的方法.1965 年后,Zadeh 教授陆续提出了模糊算法、模糊决策、模糊排序等概念.模糊算法主要是先对数据进行模糊化,再产生模糊规则,最后根据模糊规则对要输出的信息进行解模糊化,经过一系列的实践和应用证明,模糊算法优于传统方法,具有较高的可行性.模糊决策是模糊集合论与决策理论结合产生的一个新概念,它可以模拟人类思维进行有效的决策[26].模糊排序是对排序概念的推广,是一种传递的模糊关系,如关系(x比y大得多)是实数集中的模糊线性排序.1974年,Mamdani教授将模糊数学理论应用于对复杂系统的控制,并研制出首个模糊控制器[27],这标志着模糊控制理论的诞生,同时也开创了模糊控制领域的先河. ...
模糊系统与模糊控制教程
1
2003
... 模糊理论的初衷是解决复杂系统问题,因此Zadeh 通过引进模糊数学的方式将复杂系统中的模糊问题清晰化,找到了一种可以处理不确定性问题的方法.1965 年后,Zadeh 教授陆续提出了模糊算法、模糊决策、模糊排序等概念.模糊算法主要是先对数据进行模糊化,再产生模糊规则,最后根据模糊规则对要输出的信息进行解模糊化,经过一系列的实践和应用证明,模糊算法优于传统方法,具有较高的可行性.模糊决策是模糊集合论与决策理论结合产生的一个新概念,它可以模拟人类思维进行有效的决策[26].模糊排序是对排序概念的推广,是一种传递的模糊关系,如关系(x比y大得多)是实数集中的模糊线性排序.1974年,Mamdani教授将模糊数学理论应用于对复杂系统的控制,并研制出首个模糊控制器[27],这标志着模糊控制理论的诞生,同时也开创了模糊控制领域的先河. ...
模糊系统与模糊控制教程
1
2003
... 模糊理论的初衷是解决复杂系统问题,因此Zadeh 通过引进模糊数学的方式将复杂系统中的模糊问题清晰化,找到了一种可以处理不确定性问题的方法.1965 年后,Zadeh 教授陆续提出了模糊算法、模糊决策、模糊排序等概念.模糊算法主要是先对数据进行模糊化,再产生模糊规则,最后根据模糊规则对要输出的信息进行解模糊化,经过一系列的实践和应用证明,模糊算法优于传统方法,具有较高的可行性.模糊决策是模糊集合论与决策理论结合产生的一个新概念,它可以模拟人类思维进行有效的决策[26].模糊排序是对排序概念的推广,是一种传递的模糊关系,如关系(x比y大得多)是实数集中的模糊线性排序.1974年,Mamdani教授将模糊数学理论应用于对复杂系统的控制,并研制出首个模糊控制器[27],这标志着模糊控制理论的诞生,同时也开创了模糊控制领域的先河. ...
模糊系统与专家系统
1
1989
... FS在经历了第二次寒冬后,于1992年左右又开始慢慢兴起,这得益于许多学者对模糊领域坚持不懈的努力探索.早期出现的纯 FS 由于只包含了模糊规则库和模糊推理机,其输入和输出均为模糊集合,而实际问题的输入和输出一般为精确值,所以纯 FS 往往不能解决实际问题[28].针对该问题, Takagi、Sugeno和Kang等人提出了TSK模糊系统(TSKFS),其核心思想是在纯 FS 的基础上根据参数估计的方法确定系统参数,使模糊规则的输出为精确值.该系统具有较好的非线性逼近能力和可解释性,可以快速处理复杂的不确定性问题,处理回归、分类和决策等问题效果极佳,因此被广泛地运用在智能控制、模式识别、图像处理等领域[29]. ...
模糊系统与专家系统
1
1989
... FS在经历了第二次寒冬后,于1992年左右又开始慢慢兴起,这得益于许多学者对模糊领域坚持不懈的努力探索.早期出现的纯 FS 由于只包含了模糊规则库和模糊推理机,其输入和输出均为模糊集合,而实际问题的输入和输出一般为精确值,所以纯 FS 往往不能解决实际问题[28].针对该问题, Takagi、Sugeno和Kang等人提出了TSK模糊系统(TSKFS),其核心思想是在纯 FS 的基础上根据参数估计的方法确定系统参数,使模糊规则的输出为精确值.该系统具有较好的非线性逼近能力和可解释性,可以快速处理复杂的不确定性问题,处理回归、分类和决策等问题效果极佳,因此被广泛地运用在智能控制、模式识别、图像处理等领域[29]. ...
面向单调分类的简洁单调TSK模糊系统
1
2018
... FS在经历了第二次寒冬后,于1992年左右又开始慢慢兴起,这得益于许多学者对模糊领域坚持不懈的努力探索.早期出现的纯 FS 由于只包含了模糊规则库和模糊推理机,其输入和输出均为模糊集合,而实际问题的输入和输出一般为精确值,所以纯 FS 往往不能解决实际问题[28].针对该问题, Takagi、Sugeno和Kang等人提出了TSK模糊系统(TSKFS),其核心思想是在纯 FS 的基础上根据参数估计的方法确定系统参数,使模糊规则的输出为精确值.该系统具有较好的非线性逼近能力和可解释性,可以快速处理复杂的不确定性问题,处理回归、分类和决策等问题效果极佳,因此被广泛地运用在智能控制、模式识别、图像处理等领域[29]. ...
面向单调分类的简洁单调TSK模糊系统
1
2018
... FS在经历了第二次寒冬后,于1992年左右又开始慢慢兴起,这得益于许多学者对模糊领域坚持不懈的努力探索.早期出现的纯 FS 由于只包含了模糊规则库和模糊推理机,其输入和输出均为模糊集合,而实际问题的输入和输出一般为精确值,所以纯 FS 往往不能解决实际问题[28].针对该问题, Takagi、Sugeno和Kang等人提出了TSK模糊系统(TSKFS),其核心思想是在纯 FS 的基础上根据参数估计的方法确定系统参数,使模糊规则的输出为精确值.该系统具有较好的非线性逼近能力和可解释性,可以快速处理复杂的不确定性问题,处理回归、分类和决策等问题效果极佳,因此被广泛地运用在智能控制、模式识别、图像处理等领域[29]. ...
基于新模糊系统与T-S模糊系统的比较与研究
1
2009
... 除TSKFS外,还出现了Mamdani 型FS,该系统给FS添加了模糊产生器和模糊消除器,模糊产生器的功能是将实际问题的精确输入值转换为模糊集合,完成模糊化操作,模糊消除器的功能是将FS输出的模糊集合解模糊化,形成精确值.同样地, Mamdani 型FS的应用领域也很广泛.以上2个FS在各领域均取得了一定成果,但仍存在缺陷.前者因为输入的不确定性限制了其应用范围,后者因为推理过程比较复杂,不利于FS的设计和稳定性分析.因此结合二者的优缺点提出了一种更优型的FS[30]. ...
基于新模糊系统与T-S模糊系统的比较与研究
1
2009
... 除TSKFS外,还出现了Mamdani 型FS,该系统给FS添加了模糊产生器和模糊消除器,模糊产生器的功能是将实际问题的精确输入值转换为模糊集合,完成模糊化操作,模糊消除器的功能是将FS输出的模糊集合解模糊化,形成精确值.同样地, Mamdani 型FS的应用领域也很广泛.以上2个FS在各领域均取得了一定成果,但仍存在缺陷.前者因为输入的不确定性限制了其应用范围,后者因为推理过程比较复杂,不利于FS的设计和稳定性分析.因此结合二者的优缺点提出了一种更优型的FS[30]. ...
The WM method completed:a flexible fuzzy system approach to data mining
1
2003
... 1992年Wang等人利用Stone-Weierstrass定理,证明了一类 FS 是万能逼近器,逼近精度可以达到任意值.并在模糊隶属度函数表示的基础上,提出通过一种基于输入输出对的正交最小二乘学习算法设计FS[10].同年,Wang等人使FS具有了从数据中学习模糊规则的能力[11],并创立了WM方法[31].1993 年 Jang 发明了基于自适应神经网络的模糊推理系统(adaptive network-based fuzzy inference system,ANFIS),提出了 ANFIS 的体系结构和学习过程[32],Wang和Jang共同开创了当时比较热点的神经模糊系统(neural fuzzy system,NFS).FS的发展越来越快,许多学者朝着 FS 的方向不断前进.IEEE于1993年对FS表示认可,并创办了IEEE FS会刊,标志着模糊理论被大多数人接受.1994年, Kosko[33]证明了 FS 可以对任意一个真实连续函数进行任意程度的精确逼近.1999年,为了更好地描述和处理不确定性问题,Mendel等人[34]提出了Ⅱ-型模糊逻辑系统,该系统是在传统FS上进行扩展得到的,增强了 FS 解决复杂系统问题的能力.FS逐渐拥有了自适应学习的能力,并在各领域取得了很大的进步,FS第二次攀上了发展的高峰. ...
ANFIS:adaptive-network-based fuzzy inference system
1
1993
... 1992年Wang等人利用Stone-Weierstrass定理,证明了一类 FS 是万能逼近器,逼近精度可以达到任意值.并在模糊隶属度函数表示的基础上,提出通过一种基于输入输出对的正交最小二乘学习算法设计FS[10].同年,Wang等人使FS具有了从数据中学习模糊规则的能力[11],并创立了WM方法[31].1993 年 Jang 发明了基于自适应神经网络的模糊推理系统(adaptive network-based fuzzy inference system,ANFIS),提出了 ANFIS 的体系结构和学习过程[32],Wang和Jang共同开创了当时比较热点的神经模糊系统(neural fuzzy system,NFS).FS的发展越来越快,许多学者朝着 FS 的方向不断前进.IEEE于1993年对FS表示认可,并创办了IEEE FS会刊,标志着模糊理论被大多数人接受.1994年, Kosko[33]证明了 FS 可以对任意一个真实连续函数进行任意程度的精确逼近.1999年,为了更好地描述和处理不确定性问题,Mendel等人[34]提出了Ⅱ-型模糊逻辑系统,该系统是在传统FS上进行扩展得到的,增强了 FS 解决复杂系统问题的能力.FS逐渐拥有了自适应学习的能力,并在各领域取得了很大的进步,FS第二次攀上了发展的高峰. ...
Fuzzy systems as universal approximators
1
1994
... 1992年Wang等人利用Stone-Weierstrass定理,证明了一类 FS 是万能逼近器,逼近精度可以达到任意值.并在模糊隶属度函数表示的基础上,提出通过一种基于输入输出对的正交最小二乘学习算法设计FS[10].同年,Wang等人使FS具有了从数据中学习模糊规则的能力[11],并创立了WM方法[31].1993 年 Jang 发明了基于自适应神经网络的模糊推理系统(adaptive network-based fuzzy inference system,ANFIS),提出了 ANFIS 的体系结构和学习过程[32],Wang和Jang共同开创了当时比较热点的神经模糊系统(neural fuzzy system,NFS).FS的发展越来越快,许多学者朝着 FS 的方向不断前进.IEEE于1993年对FS表示认可,并创办了IEEE FS会刊,标志着模糊理论被大多数人接受.1994年, Kosko[33]证明了 FS 可以对任意一个真实连续函数进行任意程度的精确逼近.1999年,为了更好地描述和处理不确定性问题,Mendel等人[34]提出了Ⅱ-型模糊逻辑系统,该系统是在传统FS上进行扩展得到的,增强了 FS 解决复杂系统问题的能力.FS逐渐拥有了自适应学习的能力,并在各领域取得了很大的进步,FS第二次攀上了发展的高峰. ...
Type-2 fuzzy logic systems
1
1999
... 1992年Wang等人利用Stone-Weierstrass定理,证明了一类 FS 是万能逼近器,逼近精度可以达到任意值.并在模糊隶属度函数表示的基础上,提出通过一种基于输入输出对的正交最小二乘学习算法设计FS[10].同年,Wang等人使FS具有了从数据中学习模糊规则的能力[11],并创立了WM方法[31].1993 年 Jang 发明了基于自适应神经网络的模糊推理系统(adaptive network-based fuzzy inference system,ANFIS),提出了 ANFIS 的体系结构和学习过程[32],Wang和Jang共同开创了当时比较热点的神经模糊系统(neural fuzzy system,NFS).FS的发展越来越快,许多学者朝着 FS 的方向不断前进.IEEE于1993年对FS表示认可,并创办了IEEE FS会刊,标志着模糊理论被大多数人接受.1994年, Kosko[33]证明了 FS 可以对任意一个真实连续函数进行任意程度的精确逼近.1999年,为了更好地描述和处理不确定性问题,Mendel等人[34]提出了Ⅱ-型模糊逻辑系统,该系统是在传统FS上进行扩展得到的,增强了 FS 解决复杂系统问题的能力.FS逐渐拥有了自适应学习的能力,并在各领域取得了很大的进步,FS第二次攀上了发展的高峰. ...
模糊系统逼近理论:现状与展望
1
2000
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
模糊系统逼近理论:现状与展望
1
2000
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
一种新的神经模糊系统及其学习算法
1
2003
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
一种新的神经模糊系统及其学习算法
1
2003
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
神经网络、模糊系统和遗传算法相结合的研究概述
1
1998
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
神经网络、模糊系统和遗传算法相结合的研究概述
1
1998
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
模糊神经网络技术综述
1
2003
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
模糊神经网络技术综述
1
2003
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
模糊系统与神经网络结合的现状
1
2007
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
模糊系统与神经网络结合的现状
1
2007
... 近年来,通过结合新技术,FS 进步飞快.如2000年后,各类FS被陆续证明是万能函数逼近器,可以任意逼近非线性函数到任意精度[35];陈龙[36]等人于 2003年提出了一种新的神经模糊系统和学习算法,该系统由模糊推理系统及其对应的NN系统构成,具有较强的学习能力和可解释性;武妍等人[37]进行了FS与NN、GA结合的研究,他们认为结合后的技术具有十分广阔的发展前景,可以从根本上实现人工智能.FS与NN结合的产物主要包括模糊神经网络(fuzzy neural network,FNN)和 NFS.NFS 以 NN 为主,是利用NN的学习算法实现的模糊系统,其实现方法一般是先提取模糊规则,再利用NN中的学习算法调整模糊系统参数[38];FNN以FS为主,以FS中的模糊逻辑实现NN参数和权值的模糊化,从而提高 NN 处理大数据的能力[39].FS 与 NN的结合已被广泛应用在计算机视觉、语音处理、医疗诊断等领域. ...
An energy-efficient clustering algorithm using fuzzy c-means and genetic fuzzy stem for wireless sensor network
1
2017
... 另外,近年来还有许多学者将GA与FS结合,解决了很多实际问题.Shokrollahi等人[40]利用模糊C 均值和遗传模糊系统算法(GFSA)设计出了一种高效节能的聚类算法(CA);Mahmoudi 等人[41]提出了一种GA+FS(GFS)的混合求解方法,该方法可以构建出利润最大化的双渠道供应链模型.FS结合新时代下的新技术提出的创新数不胜数,给研究者们将FS与其他技术结合带来了优势,为FS再一次兴起创造条件. ...
Modeling dual-channel supply chain based on fuzzy system and genetic algorithm
1
2017
... 另外,近年来还有许多学者将GA与FS结合,解决了很多实际问题.Shokrollahi等人[40]利用模糊C 均值和遗传模糊系统算法(GFSA)设计出了一种高效节能的聚类算法(CA);Mahmoudi 等人[41]提出了一种GA+FS(GFS)的混合求解方法,该方法可以构建出利润最大化的双渠道供应链模型.FS结合新时代下的新技术提出的创新数不胜数,给研究者们将FS与其他技术结合带来了优势,为FS再一次兴起创造条件. ...
A critique of pure learning and what artificial neural networks can learn from animal brains
1
2019
... 另外,FS可以针对NN的不足,利用自身优势完成突破.本文对比了NN和FS的发展历程(见表1),尽管NN在识别、分类、回归等问题上的精度比FS好,但它需要大量的训练,而且随着层数的增加,人们难以解释 NN 的结构和参数.在最近一期的 Nature 子刊中,Zador[42]批判了人工NN 的不足,他认为先天结构比后天训练更加重要.而FS的先天结构具有很强的可解释性,无需大量的训练,可以很好地弥补NN的缺点. ...
Towards MapReduce approach with dynamic fuzzy inference/interpolation for big data classification problems
1
2017
... 目前,大数据及其应用已成为一个热门话题,利用大数据技术可以从海量信息中提取知识.在众多处理大数据的方法中,基于 FS 的模型有着突出的应用.FS允许在大数据计算问题中包含多样性和准确性,因此 FS 在大数据问题方面的应用广泛.Jin 等人[43]将传统的模糊推理技术与模糊插值方法相结合,对大数据应用中的动态模糊推理进行了初步研究,并证明了该方法在大数据分类问题方面的潜力和有效性.Wu 等人[44]通过分析大数据及其相关隐私的保护方法,对隐私保护进行了综述,并在此基础上,给出了基于模糊集的隐私保护算法的实现公式,其将 FS 与大数据结合应用在隐私保护方面,有效减轻了大数据时代下人们对个人隐私泄露的担忧.Wang等人[45]构造了II-型模糊系统的并行计算方法,并克服了大数据中计算机的索引限制. ...
Privacy preserving for big data based on fuzzy set
1
2018
... 目前,大数据及其应用已成为一个热门话题,利用大数据技术可以从海量信息中提取知识.在众多处理大数据的方法中,基于 FS 的模型有着突出的应用.FS允许在大数据计算问题中包含多样性和准确性,因此 FS 在大数据问题方面的应用广泛.Jin 等人[43]将传统的模糊推理技术与模糊插值方法相结合,对大数据应用中的动态模糊推理进行了初步研究,并证明了该方法在大数据分类问题方面的潜力和有效性.Wu 等人[44]通过分析大数据及其相关隐私的保护方法,对隐私保护进行了综述,并在此基础上,给出了基于模糊集的隐私保护算法的实现公式,其将 FS 与大数据结合应用在隐私保护方面,有效减轻了大数据时代下人们对个人隐私泄露的担忧.Wang等人[45]构造了II-型模糊系统的并行计算方法,并克服了大数据中计算机的索引限制. ...
Type-2 fuzzy event parallel computing system:overcoming computer int index limitation in big data
1
2016
... 目前,大数据及其应用已成为一个热门话题,利用大数据技术可以从海量信息中提取知识.在众多处理大数据的方法中,基于 FS 的模型有着突出的应用.FS允许在大数据计算问题中包含多样性和准确性,因此 FS 在大数据问题方面的应用广泛.Jin 等人[43]将传统的模糊推理技术与模糊插值方法相结合,对大数据应用中的动态模糊推理进行了初步研究,并证明了该方法在大数据分类问题方面的潜力和有效性.Wu 等人[44]通过分析大数据及其相关隐私的保护方法,对隐私保护进行了综述,并在此基础上,给出了基于模糊集的隐私保护算法的实现公式,其将 FS 与大数据结合应用在隐私保护方面,有效减轻了大数据时代下人们对个人隐私泄露的担忧.Wang等人[45]构造了II-型模糊系统的并行计算方法,并克服了大数据中计算机的索引限制. ...
Fuzzy modeling approach for combined forecasting of urban traffic flow
1
2008
... FS 在大数据应用方面的实际问题还有很多,近年来,模糊领域相关学者利用模糊系统表示和量化不确定性问题的能力,解决了大数据时代的交通客流预测[46]、股票预测[47]、医疗诊断[48]等一系列实际问题,且取得了显著成效.Wang[49]表示模糊集能使人们在不同的信息粒度级别上表示和处理信息,结合FS的优势可以改善当前的大数据技术,减轻现有的大数据挑战.到目前为止,FS 在处理大数据应用问题上已经取得了重大的突破,各种类型的模糊集技术在大数据处理中的应用层出不穷,由此可见,未来几年 FS在处理大数据应用问题上的潜力是无限的. ...
A stock market trend prediction system using a hybrid decision tree-neuro-fuzzy system
1
2010
... FS 在大数据应用方面的实际问题还有很多,近年来,模糊领域相关学者利用模糊系统表示和量化不确定性问题的能力,解决了大数据时代的交通客流预测[46]、股票预测[47]、医疗诊断[48]等一系列实际问题,且取得了显著成效.Wang[49]表示模糊集能使人们在不同的信息粒度级别上表示和处理信息,结合FS的优势可以改善当前的大数据技术,减轻现有的大数据挑战.到目前为止,FS 在处理大数据应用问题上已经取得了重大的突破,各种类型的模糊集技术在大数据处理中的应用层出不穷,由此可见,未来几年 FS在处理大数据应用问题上的潜力是无限的. ...
A fuzzy system for helping medical diagnosis of malformations of cortical development
1
2007
... FS 在大数据应用方面的实际问题还有很多,近年来,模糊领域相关学者利用模糊系统表示和量化不确定性问题的能力,解决了大数据时代的交通客流预测[46]、股票预测[47]、医疗诊断[48]等一系列实际问题,且取得了显著成效.Wang[49]表示模糊集能使人们在不同的信息粒度级别上表示和处理信息,结合FS的优势可以改善当前的大数据技术,减轻现有的大数据挑战.到目前为止,FS 在处理大数据应用问题上已经取得了重大的突破,各种类型的模糊集技术在大数据处理中的应用层出不穷,由此可见,未来几年 FS在处理大数据应用问题上的潜力是无限的. ...
An overview on the roles of fuzzy set techniques in big data processing:trends,challenges and opportunities
1
2016
... FS 在大数据应用方面的实际问题还有很多,近年来,模糊领域相关学者利用模糊系统表示和量化不确定性问题的能力,解决了大数据时代的交通客流预测[46]、股票预测[47]、医疗诊断[48]等一系列实际问题,且取得了显著成效.Wang[49]表示模糊集能使人们在不同的信息粒度级别上表示和处理信息,结合FS的优势可以改善当前的大数据技术,减轻现有的大数据挑战.到目前为止,FS 在处理大数据应用问题上已经取得了重大的突破,各种类型的模糊集技术在大数据处理中的应用层出不穷,由此可见,未来几年 FS在处理大数据应用问题上的潜力是无限的. ...
Back-propagation fuzzy system as nonlinear dynamic system identifiers
1
1992
... 本文总结了几个关键时间点,给出了 FS 发展至今的变化曲线,如图2所示.FS发展过程跌宕起伏,1965 年至今,经历了三落二起.其中,FS 的发展离不开模糊领域所有学者的不懈努力,从Zadeh教授的模糊集合、Mamdani的模糊控制理论,再到后来的 ANFIS,FS 走过来的每一步都是艰辛的,但其结果也是令人喜悦的.FS理论自诞生起至今大约有50年的历史,在这50年中,人们见证了FS 的发展,FS 的质疑者慢慢变少,支持者越来越多,FS 不仅在控制化领域取得了很大的突破,与NN 结合形成的 NFS 也解决了很多实际问题.FS的能力越来越强大,现在它可以模仿人类的学习能力和知识推理能力,还可以学习 NN 中误差反向传播算法对误差进行反向传播[50]. ...
Fuzzy neural network theory and application
1
2004
... 目前 FS 的理论研究仍然不够成熟,主要表现在隶属度函数类型和参数的选择主要依靠经验、现有 FS 的适用范围有限、缺乏在通用硬件平台中的实现方法以及模糊控制系统的稳定性有待提高等,且 NFS 还难以应对较多输入变量引起的维数灾难问题.在大数据与人工智能火热的新时代背景下,研究者们期待FS的第三次兴起.NN和模糊理论技术相互结合、取长补短的例子也恰恰证明了这一点,NFS技术[51]可以组成一个更接近人脑的智能信息处理系统,既可以推理也可以学习,但是还是难以处理高维大数据问题. ...