Neuro Fuzzy Systems: Sate-of-the-Art Modeling Techniques
由于对自适应智能系统的需求日益增长，人工神经网络（ANN）和模糊推理系统（FIS）的融合已经吸引了各个科学和工程领域研究人员的兴趣。人工神经网络通过调整层间的互连来从头开始学习。FIS是基于模糊集理论、模糊“若-则”规则和模糊推理概念的流行计算框架。ANN和FIS相结合的优势是显而易见的。有几种方法可以集成ANN和FIS，并且通常取决于应用。将人工神经网络与模糊推理系统的集成分为并发模型、协同模型和完全融合模型。本文首先讨论了每种模型的特点，总结了每种模型的优点和不足。我们进一步集中在不同类型的融合神经模糊系统的审查，并列举每种模型的优点和缺点。
2004-05-05 cs.AI
HyperANFIS: Enhancing Rule Representation and Interpretability in Adaptive Neuro-Fuzzy Systems via Hyperbolic Geometry
本研究针对现有ANFIS模型在欧氏空间中推理导致表示能力受限的问题，提出双曲扩展模型HyperANFIS，其在双曲空间中完成规则相关操作并保留可解释性，实验显示该模型性能优于多种ANFIS变体。
2026-08-13 cs.AI
Adaptation of Mamdani Fuzzy Inference System Using Neuro - Genetic Approach for Tactical Air Combat Decision Support System
决策支持系统通常是用来解决多准则决策问题的。知识库是决策支持系统的重要组成部分，它包含了决策过程中使用的信息或数据。在这个领域，工程师和科学家已经应用了多种智能技术和算法，从不精确的信息中获得最佳决策。在本文中，我们提出了一种混合神经遗传学习方法的适应Mamdani模糊推理系统的战术空战决策支持系统（TACDSS）。一些仿真结果证明了学习技术的差异，并提供。
2004-05-06 cs.AI
KANFIS: A Neuro-Symbolic Framework for Interpretable and Uncertainty-Aware Learning
School of Information Science and Engineering, Lanzhou University, China（信息科学与工程学院，兰州大学）；School of Computing and Information Technology, University of Wollongong, Australia（计算与信息科技学院，沃林戈大学）；Department of Data Science and Artificial Intelligence, Monash University, Australia（数据科学与人工智能系，墨尔本大学）
KANFIS通过结合模糊推理与加法函数分解，提供了一种紧凑且可解释的神经符号框架，能够有效处理不确定性并提升模型的可解释性。
2026-09-29 cs.AI
Human Action Performance using Deep Neuro-Fuzzy Recurrent Attention Model
Secure AI & Autonomy Laboratory（安全人工智能与自主实验室）；University of Texas at San Antonio（得克萨斯大学圣安东尼奥分校）
大量的计算机视觉出版物关注于区分人类动作识别和分类，而不是所执行动作的强度。由于视频输入中存在的不确定性和信息不足，索引决定人类行为表现的强度是一项具有挑战性的任务。为了弥补这种不确定性，在本文中，我们耦合模糊逻辑规则与神经为基础的行动识别模型，以率激烈或温和的人类行动的强度。在我们的方法中，我们使用时空LSTM来生成模糊逻辑模型的权重，然后通过实验证明，索引动作强度是可能的。我们通过将其应用于具有不同动作强度的人类动作视频来分析集成模型，并且能够在我们的强度索引生成的数据集上实现89.16%的准确率。综合模型证明了神经模糊推理模块的能力，有效地估计人类行动的强度指数。
2020-03-25 cs.AI
Distilling Deep RL Models Into Interpretable Neuro-Fuzzy Systems
Ghent University（根特大学）
深度强化学习使用深度神经网络对策略进行编码，在广泛的应用中取得了非常好的性能，但被广泛认为是黑箱模型。神经模糊控制器给出了深度网络的一个更可解释的替代方案。不幸的是，神经模糊控制器通常需要大量的规则来解决相对简单的任务，这使得它们难以解释。在这项工作中，我们提出了一种算法，从一个深Q-网络提取到一个紧凑的神经模糊控制器的政策。这使我们能够通过蒸馏来训练紧凑的神经模糊控制器，以解决它们无法直接解决的任务，结合深度强化学习的灵活性和紧凑规则库的可解释性。我们在OpenAI Gym的三个知名环境中演示了该算法，在那里我们几乎匹配了仅使用2到6个模糊规则的DQN代理的性能。
2022-09-07 cs.AI cs.LG
Efficient neuro-fuzzy system and its Memristor Crossbar-based Hardware Implementation
本文提出了一种新的神经模糊系统，它的学习是基于建立模糊关系，使用新的蕴涵方法，而不利用任何精确的数学技术。然后，一个简单的忆阻器的交叉杆为基础的模拟电路设计，以实现这个神经模糊系统，它提供了非常有趣的属性。除了神经元之间的高连通性和容错性之外，我们所提出的方法中的所有突触权重总是非负的，并且不需要精确地调整它们。最后，这种结构是分层可扩展的，并且由于它是通过模拟电路实现的，因此可以实时的计算操作。仿真结果表明，我们的神经模糊计算技术系统的有效性和适用性。这也表明该系统是一个很好的候选人，用于创建人工大脑。
2011-03-06 cs.AI cs.NE
An Evolving Neuro-Fuzzy System with Online Learning/Self-learning
Kharkiv National University of Radio Electronics（哈尔科夫国立无线电电子大学）
提出了一种新的神经模糊系统结构。这种方法的基本思想是在监督学习和自学习范例的帮助下调整突触权重和隶属函数。解决这个问题的方法与不断发展的在线神经模糊系统有关，该系统可以在不确定条件下处理数据。结果证明了所开发的体系结构和学习过程的有效性。
2016-10-20 cs.AI cs.NE
A review of neuro-fuzzy systems based on intelligent control
Shiraz University（设拉子大学）
系统的适应能力和自组织能力是两个关键因素，当涉及到系统如何能够很好地生存的变化，以环境和植物，他们的工作。智能控制改善了控制器中的这两个因素。考虑到动态系统的日益复杂性以及它们对反馈控制的需求，使用更复杂的控制已经变得必要，并且智能控制可以是对这种必要性的适当响应。本文简要介绍了智能控制的结构，并对智能控制的基本方法--模糊逻辑和神经网络进行了综述。这两种方法的不同方面，然后比较在一起，并提出了一个组合方法的例子。
2018-05-06 cs.AI
Adaptive Forecasting of Non-Stationary Nonlinear Time Series Based on the Evolving Weighted Neuro-Neo-Fuzzy-ANARX-Model
Central China Normal University（华中师范大学）；Kharkiv National University of Radio Electronics（哈尔科夫国立无线电电子大学）
本文介绍了一种进化加权神经网络-neo-fuzzy-ANARX模型及其学习过程。该系统主要用于时间序列预测。该系统可以被认为是以并行方式处理数据的元素池。所提出的演进系统可以提供在线处理数据流。
2016-10-20 cs.AI cs.NE
A Multidimensional Cascade Neuro-Fuzzy System with Neuron Pool Optimization in Each Cascade
Kharkiv National University of Radio Electronics（哈尔科夫国立无线电电子大学）
本文提出了一种新的多级混合级联神经网络的结构和学习算法，该网络在每级中具有神经元池优化。该系统不同于公知的级联系统，它的能力，以在线方式处理多维时间序列，这使得它可以处理非平稳随机和混沌信号所需的精度。与传统类似物相比，所提出的系统提供了计算简单性，并具有跟踪和过滤能力。
2016-10-20 cs.AI cs.NE
EvoNF: A Framework for Optimization of Fuzzy Inference Systems Using Neural Network Learning and Evolutionary Computation
几种自适应技术已被研究，以优化模糊推理系统。神经网络学习算法已被用于确定模糊推理系统的参数。这种模型通常被称为集成神经模糊模型。在一个集成的神经模糊模型中，不能保证神经网络学习算法收敛和模糊推理系统的调整将是成功的。成功的进化搜索程序优化的模糊推理系统是很好地证明和建立在许多应用领域。在本文中，我们将探讨如何优化模糊推理系统可以进一步提高使用元启发式方法结合神经网络学习和演化计算。所提出的技术可以被认为是一种集成神经网络，模糊推理系统和进化搜索过程的方法。我们提出的理论框架和一些实验结果来证明所提出的技术的效率。
2004-05-07 cs.AI
Neuro-Fuzzy Computing System with the Capacity of Implementation on Memristor-Crossbar and Optimization-Free Hardware Training
Sharif University of Technology（谢里夫理工大学）；University of Zanjan（赞詹大学）
本文首先对逻辑电路与人工神经网络、逻辑电路与模糊逻辑、人工神经网络与模糊推理系统的关系作了新的解释。然后，基于这些结果，我们提出了一个新的神经模糊计算技术系统，可以有效地实现在忆阻交叉结构。所提出的系统的一个重要特点是，它的硬件可以直接使用Hebbian学习规则进行训练，而不需要任何优化。该系统还具有很好的处理大量输入输出训练数据的能力，而不会面临过度训练等问题。
2012-11-27 cs.AI cs.NE
Time to Reason: Scalable Neurosymbolic Learning for LTLf via Fuzzy Semantics
Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）；Free University of Bozen-Bolzano（波尔扎诺自由大学）；Università di Bologna（博洛尼亚大学）
本文针对现有时态神经符号框架的可扩展性问题，提出基于模糊语义的LTLf神经符号框架DiffLTLf，其性能与先进概率方法相当且可扩展性显著提升。
2026-08-18 cs.AI
UNFIS: A Novel Neuro-Fuzzy Inference System with Unstructured Fuzzy Rules for Classification
Faculty of Computer Science and Engineering（计算机科学与工程学院）；Shahid Beheshti University（沙希德·贝赫什提大学）
本文提出UNFIS神经模糊推理系统，通过自适应模糊选择神经元为每条规则选择不同输入变量，突破传统FIS结构化规则限制，并结合GqLM学习方法，在分类任务中以更简约的非结构化规则实现更好或相当的泛化性能。
2022-10-28 cs.AI cs.LG
A Neuro-Fuzzy Method to Improving Backfiring Conversion Ratios
University of Western Ontario（西安大略大学）；NFA Estimation Inc.（NFA Estimation公司）
软件项目评估是保证软件按时、按预算交付的重要环节。软件大小是决定工作量、成本和生产力的重要度量。今天，源代码行和功能点是最常用的规模度量。逆火是一种众所周知的在功能点和源代码行之间进行转换的技术。然而，当使用逆火时，存在高的误差幅度。本文介绍了一种提高回火精度的方法。智能系统已被用于软件预测模型中，以提高传统技术的性能。为此，使用混合神经模糊，因为它利用了神经网络学习和模糊逻辑类人推理。本文介绍了一种改进的回火技术，它使用神经模糊和比较的新方法对默认的转换率目前使用的软件从业者。
2015-08-25 cs.AI cs.SE
A Fuzzy Rule-based Neuro-Symbolic Approach for Pipe Severity Prediction in Sewer Networks
Can Tho University（芹苴大学）；Istituto di Scienza e Tecnologie dell’Informazione, CNR - ISTI（意大利国家研究委员会信息科学与技术研究所）
本研究提出一种基于模糊规则的神经符号框架，将神经感知与符号推理解耦，结合Swin Transformer、Weka J48算法和模糊逻辑，在污水管网管道严重程度预测任务中，较仅图像分类提升了多项关键指标。
2026-07-31 cs.AI
Deep Neural Networks and Neuro-Fuzzy Networks for Intellectual Analysis of Economic Systems
Dorodnicyn Computing Centre（多罗德尼岑计算中心）；Plekhanov Russian University of Economics（普列汉诺夫俄罗斯经济大学）
本文研究了基于深度神经网络和模糊神经网络的时间序列预测方法。此外，我们还简要回顾了基于ANFIS模型的各种预测研究。事实证明，深度学习是一种有效的方法，可以从复杂的数据源中进行高度准确的预测。此外，我们提出了我们的模型DL和神经模糊网络的这项任务。最后，我们展示了将这些模型用于数据科学任务的可能性。本文还概述了将基于规则的方法纳入深度学习神经网络的方法。
2020-11-11 cs.AI cs.NE econ.GN
An Adaptive Neuro-Fuzzy System with Integrated Feature Selection and Rule Extraction for High-Dimensional Classification Problems
China University of Petroleum (East China)（中国石油大学（华东））；Indian Statistical Institute（印度统计研究所）
模糊或神经模糊系统的一个主要限制是它们无法处理高维数据集。这主要是由于使用了T范数，特别是乘积或最小值（或它的较软版本）。因此，几乎没有任何工作处理维度超过一百左右的数据集。在这里，我们提出了一个神经模糊的框架，可以处理数据集的维度甚至超过7000！在这种情况下，我们提出了一个自适应softmin（Ada-softmin），有效地克服了现有的模糊系统在处理高维问题时出现的"数值下溢”和"假最小值”的缺点。我们称之为自适应Takagi-Sugeno-Kang（AdaTSK）模糊系统。然后，我们装备的AdaTSK系统进行特征选择和规则提取在一个集成的方式。在这种情况下，一个新的门函数被引入，并嵌入在随后的部分，它可以确定有用的功能和规则，在两个连续的学习阶段。与传统的模糊规则库，我们设计了一个增强的模糊规则库（En-FRB），它保持足够的规则，但不增长的规则数量与维度，通常发生的模糊神经网络。集成的特征选择和规则提取AdaTSK（FSRE-AdaTSK）系统包括三个连续的阶段：（i）特征选择，（ii）规则提取，和（iii）微调。FSRE-AdaTSK的有效性证明了19个数据集，其中5个是在超过2000的维度，包括两个维度大于7000。这可能是第一次模糊系统实现的分类涉及超过7000个输入功能。
2022-01-10 cs.AI cs.LG
Feature base fusion for splicing forgery detection based on neuro fuzzy
Universiti Malaysia Terengganu（马来西亚登嘉楼大学）；Universiti Tecknologi Malaysia（马来西亚工艺大学）
图像取证的研究主要集中在检测由单一处理工具引入的伪影。他们领导了许多专门的算法的开发，在特定的设置下寻找一个或多个特定的足迹。当然，这种算法的性能并不完美，因此所提供的输出可能是有噪声的、不准确的并且仅部分正确。此外，在实际场景中，伪造图像通常是利用图像处理软件系统可用的若干工具的结果。因此，可靠的篡改检测需要开发更强大的工具来处理各种篡改场景。基于模糊推理系统的伪造检测工具的融合已经用于解决这个问题。调整隶属函数和定义适当的模糊规则，以达到更好的结果是耗时的过程。这可以被认为是模糊推理系统的主要缺点。在本文中，神经模糊推理系统的融合伪造检测工具的开发。这些系统的神经网络特性为自动调整隶属函数提供了合适的工具。此外，初始模糊推理系统生成的模糊聚类技术的基础上。该框架的实现和验证的基准图像拼接数据集，其中三个伪造检测工具融合的基础上，自适应神经模糊推理系统。所提出的方法的结果表明，应用神经模糊推理系统可能是一个更好的方法融合伪造检测工具。
2017-01-29 cs.AI cs.CV cs.LG
ADNF-Clustering: An Adaptive and Dynamic Neuro-Fuzzy Clustering for Leukemia Prediction
ADNF-Clustering通过自适应动态神经模糊聚类方法，提升白血病预测的准确性和实时性，实现对白血病细胞模式的自适应分析与不确定性建模。
2025-11-28 cs.AI cs.LG
Neuro-Fuzzy Algorithmic (NFA) Models and Tools for Estimation
NFA Estimation Inc.（NFA估算公司）；University of Western Ontario（西安大略大学）
成本估算、质量估算和风险分析等准确的估算是管理中的一个主要问题。我们提出了一个正在申请专利的软计算框架来解决这个具有挑战性的问题。我们的通用框架是独立的性质和类型的估计。它由神经网络、模糊逻辑和算法估计模型组成。我们使用了构造性成本模型（COCOMO），方差分析（ANOVA）和功能点分析作为算法模型，并使用工业项目数据验证了神经模糊数学（NFA）模型在软件成本估算中的准确性。我们的模型比单独使用算法模型产生更准确的估计。我们还讨论了我们的工具，实现NFA模型的原型。最后，我们总结了我们的路线图和方向，以丰富模型，解决不同的估计挑战。
2015-07-31 cs.AI cs.SE
Adaptive Neuro Fuzzy Networks based on Quantum Subtractive Clustering
数据采掘技术可以通过对数据的探索和分析来发现有用的模式，协同机器学习工具来发现模糊分类规则是可行的，本文提出了一种TSK模糊型自适应神经模糊网络和一种改进的量子减法聚类算法。量子聚类（QC）是量子力学的一种直觉，它使用薛定谔势和耗时的梯度下降方法。分析了质量控制算法的原理、优缺点，并针对其不足之处，提出了一种基于减法聚类的改进算法。实验结果表明，基于量子减法聚类的Anfis具有良好的逼近和泛化能力，与传统方法相比，模糊规则数和网络输出精度显著降低。
2021-01-26 cs.AI cs.LG quant-ph
DCNFIS: Deep Convolutional Neuro-Fuzzy Inference System
University of Alberta（阿尔伯塔大学）
本文提出深度卷积神经模糊推理系统（DCNFIS），融合模糊逻辑与深度学习，在保持准确性的同时提升可解释性，并在多个数据集上达到最先进性能，通过显著性图提供解释。
2024-03-17 cs.AI cs.CV cs.LG
On the Efficiency of the Neuro-Fuzzy Classifier for User Knowledge Modeling Systems
Islamic Azad University（伊斯兰阿扎德大学）
用户知识建模系统被用来作为最有效的技术，抓住新用户的注意力。此外，通过这些智能业务提高了服务质量（QOS）。本文提出了两种基于人工神经网络的用户知识分类器，作为知识建模系统的重要组成部分。我们采用多层感知器（MLP）和自适应神经模糊推理系统（ANFIS）作为分类器。此外，我们使用真实数据包含用户的学习时间，重复次数，他们在考试中的表现，以及学习百分比，作为我们的分类器的输入。与其他研究中使用的KNN和贝叶斯分类器等方法相比，我们的实验具有更好的性能。虽然训练集的样本数量不够大，但在测试集上，神经模糊分类器的性能达到了98.6%，这是与其他分类器相比最好的结果。然而，与ANFIS结果相比，MLP的性能降低，尽管MLP的性能比贝叶斯和KNN等其他方法更有效。由于我们的目标是评估和报告用户知识建模系统的神经模糊分类器的效率，我们利用了许多不同的评估指标，如接收器操作特性和曲线下面积，总准确度和Kappa统计。
2019-10-26 cs.AI cs.LG
Parkinson's Disease Diagnosis based on Gait Cycle Analysis Through an Interpretable Interval Type-2 Neuro-Fuzzy System
Shahid Beheshti University（沙希德·贝赫什提大学）
本文提出了一种基于步态周期分析的可解释分类器，该分类器使用区间2型模糊神经网络来检测帕金森病（PD）患者。该方法利用从垂直地面反作用力（vGRF）中提取的临床特征，由放置在受试者鞋底的16个可穿戴传感器测量，并学习可解释的模糊规则。因此，专家可以验证所提出的方法的基础上调查的可解释的模糊规则的射击强度的决策。此外，专家可以利用提取的模糊规则为病人诊断或调整他们的知识的基础上。为了提高所提出的方法对不确定性和噪声传感器测量的鲁棒性，应用区间类型2模糊逻辑。为了学习模糊规则，提出了两种范式：1-基于聚类可用样本的批学习方法被应用于提取初始模糊规则，2-互补的在线学习被提出以改进规则库遇到新的标记样本。该方法的性能进行评估，在不同的条件下，包括噪声的存在或观察新的情况下，对患者和健康受试者进行分类。此外，该模型的性能进行了比较，一些以前的监督和无监督的机器学习方法。该方法的最终准确率、精确率、召回率和F1得分分别为88.74%、89.41%、95.10%和92.16%。最后，每个功能提取的模糊集的报告。
2021-09-08 cs.AI cs.LG
Design a Technology Based on the Fusion of Genetic Algorithm, Neural network and Fuzzy logic
Technical Engineering College / Northern Technical University（北方技术大学技术工程学院）
本文描述了一种基于遗传算法、神经网络和模糊逻辑融合的人工智能原型技术的设计和开发。首先建立神经网络和模糊逻辑之间的关系。然后将遗传算法与它们结合起来。信息融合处于置信水平，其中可以报告和讨论匹配分数。这项技术被称为遗传神经模糊（GNF）。它可用于高精度实时环境。
2021-02-16 cs.AI
Quantification of sand fraction from seismic attributes using Neuro-Fuzzy approach
Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）
在本文中，我们说明了建模的储层属性（含砂率）的地震属性，即地震阻抗，地震振幅和瞬时频率，使用神经模糊（NF）的方法。输入数据集包括3D叠后地震属性和从位于印度西海岸的油气田获得的六个测井曲线。盆地内砂泥岩薄互层的存在使得储层特征建模成为一项具有挑战性的任务。虽然地震数据有助于从钻孔外推储层性质;但是，由于其有限的分辨率，使用地震数据描绘薄砂和页岩储层可能具有挑战性。因此，重要的是开发用于校准地震数据和目标储层变量之间的非线性映射的最新智能方法。神经网络已经显示出其对这种非线性映射进行建模的潜力;然而，与模型和数据集相关联的不确定性仍然是一个问题。因此，模糊逻辑（FL）的引入有利于处理这些不确定性。更具体地，人工神经网络（ANN）和模糊逻辑的混合变体，即，NF方法能够通过将FL的显式知识表示能力与神经网络的学习能力相结合来模拟储层特征。本研究中的记录结果表明，目标变量和预测变量之间具有可接受的相似性，因此，鼓励在储层表征领域应用集成机器学习方法，如神经模糊。此外，可视化的砂的概率在研究区域的变化将有助于确定未来钻井作业的潜在井的位置。
2015-09-23 cs.AI cs.CE
Analyzing the Impact of Credit Card Fraud on Economic Fluctuations of American Households Using an Adaptive Neuro-Fuzzy Inference System
Washington University in St. Louis（圣路易斯华盛顿大学）；Weill Cornell Medicine（威尔康奈尔医学院）；The University of Sydney（悉尼大学）
针对信用卡欺诈对美国家庭经济波动的影响，本文提出一种增强型自适应神经模糊推理系统，结合小波变换和时间注意力机制，实验显示RMSE较传统模型降低17.8%。
2025-09-18 cs.AI cs.LG
Neuro Fuzzy Modelling for Prediction of Consumer Price Index
University of Dar es Salaam（达累斯萨拉姆大学）
消费者物价指数（CPI）等经济指标经常被各国金融政策制定者用来预测未来的经济财富。近年来，各国中央银行在研究的指导下，普遍采用了通货膨胀目标制的货币政策，这就对有效的消费者价格指数预测模型提出了更高的要求。然而，许多研究的预测精度仍然很低，这就需要改进。本文提出了一种利用神经模糊技术设计机器学习模型的研究结果，该模型通过训练和测试数据来预测单变量时间序列CPI。该研究从坦桑尼亚国家统计局的二级数据源建立了2000年1月至2015年12月的月度CPI数据矩阵作为案例研究，随后在MATLAB上进行了模拟实验，其中百分之九十五（95%）的数据用于训练模型，百分之五（5%）用于测试。此外，本研究使用均方根误差（RMSE）和平均绝对百分比误差（MAPE）作为模型评估的误差度量。结果表明，神经模糊模型具有5：74：1的结构，高斯隶属度函数为（2，2，2，2，2），RMSE为0.44886，MAPE为0.23384，远优于现有的研究成果。
2017-10-09 cs.AI cs.CY
Hybrid Adaptive Neuro-Fuzzy Inference System for Diagnosing the Liver Disorders
Yazd University（亚兹德大学）；Islamic Azad University of Yazd（亚兹德伊斯兰阿扎德大学）；Islamic Azad University of Meybod（梅博德伊斯兰阿扎德大学）
在这项研究中，自适应神经模糊推理系统（ANFIS）和粒子群优化（PSO）的基础上的混合方法用于诊断肝脏疾病（ANFIS-PSO）。这种智能诊断方法将推理系统和优化过程相结合，试图根据数据集调整ANFIS的超参数。肝脏疾病特征取自UCI机器学习数据库库。这些特征属性的数量为7，样本数量为354。通过分类准确率、灵敏度和特异度分析，评价了ANFIS-PSO智能医疗系统对肝病的正确诊断性能。实验结果表明，ANFIS-PSO算法的性能优于传统的FIS和无优化阶段的ANFIS。
2019-10-03 cs.AI cs.NE eess.IV
Bio-Inspired Human Action Recognition using Hybrid Max-Product Neuro-Fuzzy Classifier and Quantum-Behaved PSO
University of Malaya（马来亚大学）
通过功能磁共振成像（fMRI）和生物启发系统的计算神经科学研究表明，哺乳动物大脑中的人类动作识别在模型中导致两个不同的通路，其专门用于分析运动（光流）和形式信息。主要是在生物启发模型中，将主动基模型作为形式通路中的形式提取器，定义了一种新颖的、鲁棒的形式特征。一个不平衡的协同神经网络分类的形状和结构的人类对象，以及调整其注意力参数的量子粒子群优化（QPSO）通过启动质心Voronoi镶嵌。这些工具被用作并证明是遵循形式途径中生物系统模型的有力工具。但最终的决策是通过模糊推理结合两条路径的最终结果来完成的，这增加了所提出的模型的新颖性。这两个脑通路的组合是通过考虑高斯隶属函数中的每个特征集，模糊积推理方法来完成的。提出了两种形式路径的构造方案：一种是采用多原型人体动作模板，利用两个时间协同神经网络获得关于每个动作的统一模板;另一种方案是在四个关键帧中提取人体动作。实验结果表明，在不同的数据集（KTH和Weizmann）的准确性表现良好。
2016-02-21 cs.AI cs.CV
Continuous Implicit Authentication for Mobile Devices based on Adaptive Neuro-Fuzzy Inference System
Queen's University Belfast（贝尔法斯特女王大学）；Centre for Secure Information Technologies (CSIT)（安全信息技术中心（CSIT））
随着移动设备在现代生活中变得不可或缺，移动安全变得越来越重要。传统的密码或类似PIN的入口点安全措施在可用性方面得分较低，并且容易受到暴力破解和其他类型的攻击。为了提高移动安全性，本文提出了一种基于自适应神经模糊推理系统（ANFIS）的隐式身份认证系统，通过对不同Android用户长达12周的行为数据进行实验，验证了ANFIS在隐式身份认证系统中的适用性和有效性。基于ANFIS的系统检测对手的能力也进行了测试，涉及不同知识水平的攻击者的情况。结果表明，ANFIS是一种可行的和有效的隐式认证方法，平均用户识别率为95%。此外，使用基于ANFIS的系统进行隐式身份验证，由于其自学习能力，大大减少了手动调优和配置任务。
2017-05-18 cs.AI cs.CR
Explainable Uncertainty Quantification for Wastewater Treatment Energy Prediction via Interval Type-2 Neuro-Fuzzy System
Jheronimus Academy of Data Science, Eindhoven University of Technology, Eindhoven, The Netherlands（杰罗尼穆斯数据科学学院，埃因霍温理工大学，埃因霍温，荷兰）；Haskoning, Amersfoort, The Netherlands（哈索宁，阿默斯福尔特，荷兰）；School of Industrial Engineering, Eindhoven University of Technology（工业工程学院，埃因霍温理工大学）
本文提出一种区间型2神经模糊系统，用于废水处理能耗预测，通过模糊规则结构生成可解释的预测区间，分解不确定性层级，提升决策可靠性。
2026-01-26 cs.AI cs.LG
Neuro-Memory Fuzzy Inference System for Mimicking Human-like Car Following Behavior
本研究提出整合五种人类记忆类型的NeMeFIS架构，建模跟车行为的非对称加减速，经54种模型验证，其性能优于线性回归、ANFIS、LSTM等模型，可用于CAVs的类人决策系统以提升交通安全。
2026-10-09 cs.AI cs.LG
On-Policy Optimization of ANFIS Policies Using Proximal Policy Optimization
College of Engineering and Applied Science（工程与应用科学学院）
本文提出用PPO同策略actor-critic框架训练ANFIS神经模糊控制器，在CartPole-v1上以零方差稳定达到满分500，优于ANFIS-DQN基线，验证了PPO训练可解释模糊智能体的优势。
2025-07-04 cs.AI cs.LG
Automatic Extraction of Linguistic Description from Fuzzy Rule Base
Silesian University of Technology（西里西亚工业大学）
针对神经模糊系统中模糊规则的语言表达问题，本文提出一种将模糊规则自动提取为自然英语描述的方法，并公开完整实现。
2024-04-03 cs.AI cs.LG
A Neuro-Fuzzy System for Interpretable Long-Term Stock Market Forecasting
Faculty of Electrical Engineering University of Ljubljana（电气工程系 萨格勒布大学）
针对多元时间序列预测中准确性与可解释性难以兼顾的问题，提出结合多头自注意力与模糊推理的Fuzzformer架构，在S&P500数据集上性能与传统模型相当，具备可解释性，为股市行为分析预测提供新方向。
2025-10-01 cs.AI cs.NE cs.SY
NASP-T: A Fuzzy Neuro-Symbolic Transformer for Logic-Constrained Aviation Safety Report Classification
Faculty of Science and Technology (REALTEK)（科学与技术学院）；Norwegian University of Life Sciences (NMBU)（挪威生命科学大学）；Dresden International University (DIU)（德累斯顿国际大学）
提出NASP-T模糊神经符号框架，融合ASP规则与Transformer，通过数据增强和模糊正则化提升ASRS报告分类的逻辑一致性，F1分数提高且规则违规减少86%。
2025-10-06 cs.AI cs.LG
Fuzzy Recurrent Stochastic Configuration Networks for Industrial Data Analytics
Northeastern University（东北大学）；China University of Mining and Technology（中国矿业大学）
针对工业数据分析中非线性动力学建模的不确定性问题，提出结合TSK模糊规则与多子储层的模糊循环随机配置网络，经RSC算法训练和投影算法在线更新，性能优于经典模型，可用于复杂工业系统建模。
2024-08-13 cs.AI cs.LG cs.NE
NSFL: A Post-Training Neuro-Symbolic Fuzzy Logic Framework for Boolean Operators in Neural Embeddings
Huawei Tel-Aviv Research Center（华为特拉维夫研究中心）
NSFL框架通过适应形式t-范数和t-余范数，为神经嵌入空间提供多原子逻辑约束的计算方法，提升检索性能，实现高达81%的mAP提升。
2026-04-12 cs.AI cs.CL cs.IR
FireGNN: Neuro-Symbolic Graph Neural Networks with Trainable Fuzzy Rules for Interpretable Medical Image Classification
Imperial College London（伦敦帝国学院）
提出FireGNN，将可训练模糊规则融入图神经网络，利用拓扑描述符实现可解释的医学图像分类，在多个基准上性能优异。
2025-10-09 cs.AI cs.CV cs.LG
A novel evolutionary-based neuro-fuzzy task scheduling approach to jointly optimize the main design challenges of heterogeneous MPSoCs
K. N. Toosi University of Technology（K.N.托西理工大学）；Shahid Beheshti University（沙希德·贝赫什提大学）
本文提出一种基于NSGA-II进化学习的模糊神经网络在线任务调度方法，用于联合优化异构MPSoC的温度、功耗、故障率和执行时间，实验表明其性能优于现有启发式、元启发式和规则方法。
2022-03-14 cs.AI cs.DC
A Dynamic-Growing Fuzzy-Neuro Controller, Application to a 3PSP Parallel Robot
Center of Excellence on Soft Computing and Intelligent Information processing（软计算与智能信息处理中心）
本文提出动态增长模糊神经控制器，结合自适应策略用于3PSP并联机器人位置控制，通过保守的规则增长机制和滑模非线性控制器实现快速响应与稳定性。
2026-04-15 cs.AI cs.LG cs.NE
Interval Logic Tensor Networks
Sony AI（索尼人工智能）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）
本文提出区间实逻辑（IRL）和区间逻辑张量网络（ILTN），通过模糊逻辑和梯形模糊区间解释序列与事件属性，利用softplus激活函数平滑化区间与时间关系以支持梯度学习，在合成任务中成功利用背景时间知识预测事件的模糊持续时间。
2023-03-31 cs.AI
An Incremental Construction of Deep Neuro Fuzzy System for Continual Learning of Non-stationary Data Streams
Nanyang Technological University（南洋理工大学）；University of Alberta（阿尔伯塔大学）；Monash University（莫纳什大学）
现有的FNN大多是在浅层网络配置下开发的，具有比深层结构更低的泛化能力。本文提出了一种新的自组织深度模糊神经网络，即DEVFNN。模糊规则可以从数据流中自动提取，或者如果它们在其生命周期中发挥有限的作用，则可以将其删除。该方法不仅能检测输入空间的协变量漂移和变化，而且能准确识别特征空间和目标空间的真实漂移和动态变化，通过增加网络层数，可以根据需要加深网络结构。DEVFNN是在堆栈泛化原则下通过特征增强概念开发的，其中最近开发的算法，即gClass，驱动隐藏层。它配备了自动特征选择方法，该方法控制输入属性的激活和去激活，以诱导输入特征的不同子集。提出了一种基于隐层合并的深度网络简化方法，以避免在构建深度网络结构时由于特征增强方法的本质而导致输入空间维数不可控地增长。DEVFNN以样本方式工作，并与数据流应用程序兼容。DEVFNN的有效性进行了彻底的评估，使用七个数据集的非平稳属性下的prequential测试，然后训练协议。它已被比较与四个流行的持续学习算法和它的浅对应DEVFNN证明分类精度的提高。此外，它也表明，概念漂移检测方法是一种有效的工具，以控制网络结构的深度，而隐藏层合并的情况下，能够简化网络的复杂性与泛化性能的影响可以忽略不计的深度网络。
2019-12-09 cs.AI cs.NE
A Comparative Study of Adversarial Robustness in CNN and CNN-ANFIS Architectures
College of Engineering and Applied Science, University of Cincinnati（工程与应用科学学院，辛辛那提大学）
本文比较了CNN与CNN-ANFIS架构在对抗鲁棒性上的表现，发现ANFIS增强在特定架构中提升鲁棒性，但并非普遍有效。
2026-02-02 cs.AI cs.CV
Speech Signal Filters based on Soft Computing Techniques: A Comparison
Manav Rachna College of Engg（马纳夫拉赫纳工程学院）；K L University（K L 大学）
本文对用于语音信号滤波和增强的各种软计算技术进行了比较。属于软计算的三种主要技术是神经网络、模糊系统和遗传算法。其他混合技术，如神经模糊系统也是可用的。一般来说，软计算技术已经被实验观察到在鲁棒性和准确性方面与非软计算技术相比给出了远远优越的性能。
2012-09-20 cs.AI
How Compliant is Sepsis Treatment? An Expert-Guided Neuro-symbolic Pipeline for Generating Clinical Compliance Insights
The University of Alabama（阿拉巴马大学）
该研究针对脓毒症治疗依从性验证问题，提出专家指导的神经符号管道，结合大语言模型语义规范化与Sugeno模糊推理系统，在MIMIC-IV数据集上揭示了抗生素时机等关键依从性问题及相关临床差异。
2026-08-17 cs.AI cs.SC
