检索结果-内蒙古大学图书馆

电子与信息学报 2020年第3期42卷 746-754页

作者：张雄涛蒋云良潘兴广胡文军王士同江南大学数字媒体学院无锡214122 湖州师范学院信息工程学院湖州313000 贵州民族大学工程实训中心贵阳550025

该文提出一种新型的集成tsk模糊分类器(IK-D-tsk),首先通过并行学习的方式组织所有0阶tsk模糊子分类器,然后每个子分类器的输出被扩充到原始(验证)输入空间,最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典,从而利... 详细信息

该文提出一种新型的集成tsk模糊分类器(IK-D-tsk),首先通过并行学习的方式组织所有0阶tsk模糊子分类器,然后每个子分类器的输出被扩充到原始(验证)输入空间,最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典,从而利用KNN对测试数据进行快速预测。IK-D-tsk具有以下优点:在IK-Dtsk中,每个0阶tsk子分类器的输出被扩充到原始入空间,以并行方式打开原始(验证)输入空间中存在的流形结构,根据堆栈泛化原理,可以保证提高分类精度;和传统tsk模糊分类器相比,IK-D-tsk以并行方式训练所有的子分类器,因此运行速度可以得到有效保证;由于IK-D-tsk是在以IFCM&KNN所获得的数据字典的基础上进行分类的,因此具有强鲁棒性。理论和实验验证了模糊分类器IK-D-tsk具有较高的分类性能、强鲁棒性和高可解释性。

关键词： tsk模糊分类器迭代模糊聚类算法数据字典可解释性

来源：评论

学校读者我要写书评

暂无评论

基于视角-规则的深度tsk模糊分类器及其在多元癫痫脑电信号识别中的应用

引用

控制与决策 2024年第4期39卷 1315-1324页

作者：张雄涛李水苗翁江玮胡文军蒋云良湖州师范学院信息工程学院浙江湖州313000 浙江省现代农业资源智慧管理与应用研究重点实验室浙江湖州313000 浙江师范大学计算机科学与技术学院浙江金华321004

在癫痫脑电信号分类检测中,传统机器学习方法分类效果不理想,深度学习模型虽然具有较好的特征学习优势,但其“黑盒”学习方式不具备可解释性,不能很好地应用于临床辅助诊断;并且,现有的多视角深度tsk模糊系统难以有效表征各视角特征之... 详细信息

在癫痫脑电信号分类检测中,传统机器学习方法分类效果不理想,深度学习模型虽然具有较好的特征学习优势,但其“黑盒”学习方式不具备可解释性,不能很好地应用于临床辅助诊断;并且,现有的多视角深度tsk模糊系统难以有效表征各视角特征之间的相关性.针对以上问题,提出一种基于视角-规则的深度Takagi-SugenoKang(tsk)模糊分类器(view-to-rule Takagi-Sugeno-Kang fuzzy classifier,VR-tsk-FC),并将其应用于多元癫痫脑电信号检测中.该算法在原始数据上构建前件规则以保证模型的可解释性,利用一维卷积神经网络(1-dimensional convolutional neural network,1D-CNN)从多角度抓取多元脑电信号深度特征.每个模糊规则的后件部分分别采用一个视角的脑电信号深度特征作为其后件变量,视角-规则的学习方式提高了VR-tsk-FC表征能力.在Bonn和CHB-MIT数据集上,VR-tsk-FC算法模糊逻辑推理过程保证可解释的基础上达到了较好分类效果.

关键词： tsk模糊分类器多视角深度特征视角-规则癫痫脑电信号检测可解释性

来源：评论

学校读者我要写书评

暂无评论

面向不平衡数据的深度tsk模糊分类器

引用

模式识别与人工智能 2023年第3期36卷 211-224页

作者：卞则康张进王士同江南大学人工智能与计算机学院无锡214122

为了进一步提升Takagi-Sugeno-Kang(tsk)模糊分类器在不平衡数据集上的泛化能力和保持其较好的语义可解释性,受集成学习的启发,提出面向不平衡数据的深度tsk模糊分类器(A Deep tsk Fuzzy Classifier for Imbalanced Data,ID-tsk-FC).ID-... 详细信息

为了进一步提升Takagi-Sugeno-Kang(tsk)模糊分类器在不平衡数据集上的泛化能力和保持其较好的语义可解释性,受集成学习的启发,提出面向不平衡数据的深度tsk模糊分类器(A Deep tsk Fuzzy Classifier for Imbalanced Data,ID-tsk-FC).ID-tsk-FC主要由一个不平衡全局线性回归子分类器(Imbalanced Global Linear Regression Sub-Classifier,IGLRc)和多个不平衡tsk模糊子分类器(Imbalanced tsk Fuzzy Sub-Classifier,I-tsk-FC)组成.根据人类“从全局粗糙到局部精细”的认知行为和栈式叠加泛化原理,ID-tsk-FC首先在所有原始训练样本上训练一个IGLRc,获得全局粗糙的分类结果.然后根据IGLRc的输出,识别原始训练样本中的非线性分布训练样本.在非线性分布训练样本上,以栈式深度结构生成多个局部I-tsk-FC,获得局部精细的结果.最后,对于栈式堆叠IGLRc和所有I-tsk-FC的输出,使用基于最小距离投票原理,得到ID-tsk-FC的最终输出.实验表明,ID-tsk-FC不仅具有基于特征重要性的可解释性,而且具有至少相当的泛化性能和语义可解释性.

关键词： tsk模糊分类器语义可解释性深度栈式结构不平衡数据

来源：评论

学校读者我要写书评

暂无评论

基于增强深度特征和tsk模糊分类器的癫痫脑电信号识别

引用

控制与决策 2023年第1期38卷 171-180页

作者：蒋云良翁江玮申情胡文军张雄涛湖州师范学院信息工程学院浙江湖州313000 浙江省现代农业资源智慧管理与应用研究重点实验室浙江湖州313000 湖州学院理工学院浙江湖州313000

识别癫痫脑电信号的关键在于获取有效的特征和构建可解释的分类器.为此,提出一种基于增强深度特征的tsk模糊分类器(ED-tsk-FC).首先,ED-tsk-FC使用一维卷积神经网络(1D-CNN)自动获取癫痫脑电信号的深度特征与潜在类别信息,并将深度特征... 详细信息

识别癫痫脑电信号的关键在于获取有效的特征和构建可解释的分类器.为此,提出一种基于增强深度特征的tsk模糊分类器(ED-tsk-FC).首先,ED-tsk-FC使用一维卷积神经网络(1D-CNN)自动获取癫痫脑电信号的深度特征与潜在类别信息,并将深度特征和潜在类别信息合并为增强深度特征;其次,将增强深度特征作为EDtsk-FC模糊规则前件与后件部分的训练变量,保证原始输入的深度特征及其潜在意义都出现在模糊规则中,进而对增强深度特征作出良好的解释;然后,采用岭回归极限学习算法对模糊规则的后件参数进行快速求解,在不显著降低分类准确度的情况下,ED-tsk-FC的廉价训练方法可以缩短模型的训练时间;最后,在Bonn癫痫数据集上,分别从分类性能、学习效率和可解释性3个方面,验证ED-tsk-FC的优越性.

关键词：脑电信号深度学习深度特征增强特征 tsk模糊分类器可解释性

来源：评论

学校读者我要写书评

暂无评论

增量式0阶tsk模糊分类器及鲁棒改进

引用

浙江大学学报（工学版） 2017年第10期51卷 1901-1911页

作者：李滔王士同江南大学数字媒体学院江苏无锡214122

为了克服传统的分类器难以在具有令人满意的分类性能、快速的学习效率的同时兼顾高可解释性之不足,提出增量式0阶模糊分类器tsk-IFC0IRLS.该分类器通过使用增量式模糊聚类算法IFCM(c+p)对训练样本进行聚类,使用高斯隶属度函数将聚类结... 详细信息

为了克服传统的分类器难以在具有令人满意的分类性能、快速的学习效率的同时兼顾高可解释性之不足,提出增量式0阶模糊分类器tsk-IFC0IRLS.该分类器通过使用增量式模糊聚类算法IFCM(c+p)对训练样本进行聚类,使用高斯隶属度函数将聚类结果映射到模糊子空间,使用迭代重加权最小二乘优化算法IRLS对模糊规则的后件参数进行学习.通过提出基于伪Huber函数的代价函数,它的鲁棒性改进版本tsk-IFC0PHub被提出来以提高分类器的抗噪能力.仿真实验表明,与FCPM-IRLS、RBF、ANFIS分类器相比,提出的2种模糊分类器均具有良好的分类性能及数据规模的可扩展性,tsk-IFC0PHub具有良好的鲁棒性.

关键词：增量式模糊聚类迭代重加权最小二乘法伪Huber函数 tsk模糊分类器鲁棒性

来源：评论

学校读者我要写书评

暂无评论

针对复杂场景的tsk模糊分类器集成方法研究

针对复杂场景的TSK模糊分类器集成方法研究

引用

作者：李鑫辉湖州师范学院

学位级别：硕士

近年来,随着科技水平的快速发展,社会上的各个领域都在积极的与人工智能领域进行融合,例如智慧校园、智能化医疗系统、电子警察等等。在人工智能快速发展的背景下,机器学习作为人工智能的诸多领域之中最能够体现智能的分支,更是在推荐... 详细信息

近年来,随着科技水平的快速发展,社会上的各个领域都在积极的与人工智能领域进行融合,例如智慧校园、智能化医疗系统、电子警察等等。在人工智能快速发展的背景下,机器学习作为人工智能的诸多领域之中最能够体现智能的分支,更是在推荐系统、人脸识别、疾病检测等诸多应用场景中得到了成功且广泛的应用。对于传统的机器学习算法而言,在各种不同应用场景中的使用既是机遇,更是挑战。tsk模糊系统和传统的神经网络面对这些不同数据场景时,往往会出现如下的问题:在使用类别不平衡的原始数据进行学习建模时,得到的模型往往会忽略少数类样本;在使用复杂的原始数据进行学习建模时,模型从复杂数据中获得的知识难以通过现实语义进行解释。在使用大规模的原始数据进行学习建模时,模型的性能通常较差而且训练时间往往过长。针对上述问题,本文将在现有经典机器学习领域的基础上,通过构建不同的集成架构以及改良特征选择算法,以期提高tsk模糊系统和传统的神经网络对复杂数据的适应能力。主要内容如下:(1)提出一种基于粒子群优化特征选择算法(Particle Swarm Optimization Feature Selection,PSOFS)和Takagi-Sugeno-Kang(tsk)模糊系统的集成模糊分类器(Parallel Ensemble Fuzzy Neural Network based on PSOFS and tsk,PE＿PT＿FN),用于处理不平衡数据。首先对训练集中各类样本都进行随机放回抽样,然后将抽样得到的样本并在一起,再独立并行的通过PSOFS算法进行特征选择。PSOFS中不同的位置表示不同的特征子集,初始位置随机的粒子经过多次迭代收敛至最佳位置。每个子集得到一个特征子集用于并行训练多组独立的小型tsk模糊神经网络(tsk Fuzzy Neural Network,tsk＿FN)。在样本不平衡的数据场景中,PE＿PT＿FN能够准确的从数据中获取所需知识。(2)提出一种新型的深度集成tsk模糊分类器(Deep Ensemble tsk Fuzzy Classifier based on Feature Selection of Multi-label and Mutual Information,FMMI＿tsk),首先利用基于多标签和互信息的特征选择算法(Feature Selection of Multi-label and Mutual Information,FMMI)从数据集中获得蕴含不同特征信息的特征子集的集合。集合中每个特征子集与对应标签的输出结果相关性最大,特征子集之间相关性最小。然后对每个特征子集进行标签重设,由于每个特征子集中的特征信息都对应着某一类标签,将属于该类标签的数据样本的标签设为1,属于其他标签的数据样本的标签均设为0。对多余数据进行随机删减,得到样本平衡的特征子集。接着通过经典神经网络算法径向基神经网络从特征子集中获取隶属函数,从而获得模糊规则中的前件参数。最后将求解模糊规则中后件参数视为线性回归问题,利用传统神经网络算法极限学习机从模糊隶属值中获得后件参数。FMMI＿tsk以人类能够理解的方式从繁杂的数据中提取知识。(3)提出一种基于K-d Tree和K近邻(K Nearest Neighbor,KNN)的并行式集成模糊神经网络(Parallel Ensemble Fuzzy Neural Network based on K-d Tree and KNN,PE＿tsk＿FN),首先利用K-d Tree算法在数据空间层面将原始数据空间划分成多个独立的矩形子空间,即表现为将原始数据划分成多个子数据集,然后用这些数据集去并行的训练独立的模糊子分类器,最后通过KNN算法从子分类器中挑选出K个最近邻的子分类器进行投票得出最终输出。在大规模数据场景中,PE＿tsk＿FN的集成结构既能加快模型的训练速度,更能避免模型产生过拟合现象。

关键词：集成分类器 tsk模糊分类器不平衡数据可解释性大规模数据

来源：评论

学校读者我要写书评

暂无评论

深度多视角tsk模糊分类器及其在癫痫脑电信号识别中的应用

深度多视角TSK模糊分类器及其在癫痫脑电信号识别中的应用

引用

作者：李水苗湖州师范学院

学位级别：硕士

深度神经网络由于其强大的学习能力,广泛用于连续非线性数据的特征提取。但是深度神经网络模型存在学习过程不透明,可解性差,以及单一视角难以表征多元脑电信号数据的问题。模糊逻辑推理学习可以用于表达数据的不确定性,同时基于规则学... 详细信息

深度神经网络由于其强大的学习能力,广泛用于连续非线性数据的特征提取。但是深度神经网络模型存在学习过程不透明,可解性差,以及单一视角难以表征多元脑电信号数据的问题。模糊逻辑推理学习可以用于表达数据的不确定性,同时基于规则学习使其具有天然的可解释优势。然而,相较于深度学习模型,模糊分类算法处理高维度或大规模数据的能力差。因此,本文提出了基于多视角学习的深度Takagi-Sugeno-Kang(tsk)模糊分类器,将多视角深度学习与模糊学习相结合,使之具备高可解释性优势。纳入深度学习的表征能力,从多角度表征多元脑电信号。本文研究内容主要有以下几个方面: 1)在癫痫脑电信号分类检测中,传统机器学习方法分类效果不理想,深度学习模型虽然具有较好的特征学习优势,但其“黑盒”学习方式不具备可解释性,不能很好地应用于临床辅助诊断;并且,现有的多视角深度tsk模糊系统难以有效表征各视角特征之间的相关性。针对以上问题,本文提出了一种基于视角-规则的深度Takagi-SugenoKang(tsk)模糊分类器(View-to-Rule Takagi-Sugeno-Kang Fuzzy Classifier,VR-tsk-FC),并将其应用于多元癫痫脑电信号检测中。该算法在原始数据上构建前件规则以保证模型可解释性,一维卷积神经网络(1-Dimensional Convolutional Neural Network,1D-CNN)从多角度抓取多元脑电信号深度特征。每个模糊规则的后件部分分别采用一个视角的脑电信号深度特征作为其后件变量,视角-规则的学习方式提高了VR-tsk-FC表征能力。在Bonn和CHB-MIT数据集上,VR-tsk-FC算法模糊逻辑推理过程保证可解释的基础上达到较好分类效果。 2)针对VR-tsk-FC中忽略数据时序特征的情况,以及由于数据特征导致的隶属程度不显著问题。构建了卷积神经网络与双向长短期记忆网络相结合(Convolutional Neural Network-Bi-directional Long Short-Term Memory)、卷积神经网络和门控循环单元相结合(Convolutional Neural Network-Gated Recurrent Unit),以及全连接神经网络(Multilayer Perceptron),从多角度表征数据深度特征,解决VR-tsk-FC忽略脑电信号时序信息问题。同时,提出了Tanh激活函数变换隶属程度,解决癫痫脑电信号在隶属度连乘过程中趋近于0的问题。总而言之,提出了一种融入Tanh激活函数的多视角深度tsk模糊分类器(MV-Tanh-tsk-FC)。实验结果表明MV-Tanh-tsk-FC是一种更稳定的深度模糊分类器。

关键词： tsk模糊分类器卷积神经网络多视角深度特征视角-规则癫痫脑电信号检测

来源：评论

学校读者我要写书评

暂无评论

高阶Takagi-Sugeno-Kang模糊知识蒸馏分类器及其在脑电信号分类中的应用

引用

智能系统学报 2024年第6期19卷 1419-1427页

作者：蒋云良印泽宗张雄涛申情李华湖州师范学院信息工程学院浙江湖州313000 浙江省现代农业资源智慧管理与应用研究重点实验室浙江湖州313000 浙江师范大学计算机科学与技术学院浙江金华321004 浙江师范大学数理医学院浙江金华321004

在脑电信号(electro encephalo gram,EEG)的分类检测任务中,低阶tsk(Takagi-Sugeno-Kang)模糊分类器的学习速度较快,但性能表现不理想,高阶tsk模糊分类器虽然具有较强的性能优势,但极其复杂的模糊规则后件严重影响模型的运行速度。为此... 详细信息

在脑电信号(electro encephalo gram,EEG)的分类检测任务中,低阶tsk(Takagi-Sugeno-Kang)模糊分类器的学习速度较快,但性能表现不理想,高阶tsk模糊分类器虽然具有较强的性能优势,但极其复杂的模糊规则后件严重影响模型的运行速度。为此,提出一种基于负欧氏概率和高阶模糊隐藏知识迁移的新型tsk模糊蒸馏分类器(solved tsk-least learning machine-knowledge distillation classifier,Stsk-LLM-KD)。首先,利用所提出的基于知识蒸馏的最小学习机(LLM-KD)对教师模型的后件参数进行快速求解并得到相应的负欧氏概率用于生成软标签;然后,通过计算软标签之间的Kullback-Leible散度提取教师模型的高阶模糊隐藏知识并迁移至低阶学生模型中,使模型性能优于高阶tsk模糊分类器的同时保持更快的训练速度。在运动想象脑电数据集和新德里HauzKhas癫痫脑电数据集上的实验结果充分验证了Stsk-LLM-KD的优势,Stsk-LLM-KD相较于其他模糊分类器表现更加优异,与深度知识蒸馏模型相比,Stsk-LLM-KD能够更好地提升学生模型的性能。

关键词： tsk模糊分类器知识蒸馏高阶模糊隐藏知识脑电信号最小学习机癫痫运动想象模糊系统

来源：评论

学校读者我要写书评

暂无评论

结合深度特征与模糊推理的可解释模糊系统建模方法研究

结合深度特征与模糊推理的可解释模糊系统建模方法研究

引用

作者：翁江玮湖州师范学院

学位级别：硕士

深度学习能够学习海量数据的内在规律和表示层次,是在于其优异的特征学习能力,但复杂的神经网络构架,导致深度学习面临着诸多挑战,例如:可解释性较差,学习结果无法修正等;模糊系统的优势则在于可解释性,能够模仿人类的知识推理过程,通... 详细信息

深度学习能够学习海量数据的内在规律和表示层次,是在于其优异的特征学习能力,但复杂的神经网络构架,导致深度学习面临着诸多挑战,例如:可解释性较差,学习结果无法修正等;模糊系统的优势则在于可解释性,能够模仿人类的知识推理过程,通过增加额外的规则可以修正学习的结果,但也存在参数优化困难、难以直接处理高维数据等问题。因此,通过结合深度学习的特征学习能力和模糊系统的可解释能力,提出各种兼具深度学习和模糊系统优点的新模型已成为当下国内外研究的热点。本文的相关研究主要集中在以下几个方面:1)针对卷积神经网络中隐藏层的深度特征表征能力不足和可解释性较差的问题,提出了基于增强深度特征的tsk(Takagi-Sugeno-Kang)模糊分类器(ED-tsk-FC),ED-tsk-FC使用1D-CNN(One-Dimensional Convolutional Neural Network)自动提取原始数据的深度特征与潜在类别信息,并将深度特征和潜在类别信息合并为增强深度特征,在模糊规则的前件部分使用FCM(Fuzzy C-means Algorithm)算法进行模糊域划分,并引入岭回归极限学习算法对后件参数进行求解。然后,提出了ED-tsk-FC的一种廉价训练方法。在Bonn癫痫数据集上,分别从分类性能,学习效率和可解释性三方面,验证了ED-tsk-FC的优势。2)以原始数据和深度特征融合为基础,提出了一种基于多层次特征融合的深度tsk模糊分类器(CNN-tsk-FC),来进一步提高模型的准确性和可解释性。在我们提出的架构中,它主要由一个基于卷积神经网络的特征学习模块和一个基于tsk模糊分类器的知识推理模块组成。从模糊规则的角度来看,CNN-tsk-FC本质上是一种新型的深度tsk模糊分类器,利用深度特征来缓解模糊规则组合爆炸问题,通过使用原始数据进行模糊规则的后件学习来提高模型的性能和可解释性。实验证明,该方法在CHB-MIT数据集上具有良好的准确性,敏感性,特异性和可解释性。3)针对ED-tsk-FC和CNN-tsk-FC知识传递不充分的问题,构建了一种基于卷积神经网络的再生tsk模糊分类器(CNNBa tsk),利用模糊规则将从卷积神经网络中获取的暗知识(软标签信息)以可解释的模糊规则表达出来。软标签信息被划分为五个固定的模糊空间,不同模糊规则中每个软标签信息的中心分别为0,0.25,0.5,0.75,1,且对应的语言解释分别为very low,low,medium,high,very high,提出了一种基于知识蒸馏的最小学习机算法LLM-KD(Least Learning Machine with Knowledge Distillation)训练模糊规则的参数。在基准数据集和CHB-MIT数据集的实验表明,CNNBa tsk能够提高分类性能,并提供可解释性。

关键词：卷积神经网络深度特征 tsk模糊分类器廉价学习知识蒸馏

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：