Certain Bayesian Network based on Fuzzy knowledge Bases
Research Group on Intelligent Machines(智能机器研究组);National School of Engineers(国家工程师学校)
在本文中,我们试图检查之间的权衡模糊逻辑和某些贝叶斯网络,我们提出了结合各自的优势到模糊确定贝叶斯网络(FCBN),模糊随机变量的确定贝叶斯网络。本文论述了不确定性的不同定义和分类、不确定性的来源以及处理不确定性的理论和方法。将明确的确定性程度模糊化为模糊变量,提高了网络的质量,并往往带来网络性能的平滑性和鲁棒性。其目的是提供一种新的方法,结合三种方法:贝叶斯网络,确定性分布和模糊逻辑的不确定性下的决策。在本文提出的框架内,我们解决的问题,扩展某些网络的模糊某些网络,以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。
2012-06-05 cs.AI
Uncertainty Management for Fuzzy Decision Support Systems
University of Houston(休斯顿大学)
本文提出了一种新的模糊规则决策支持系统的不确定性管理方法:领域专家的知识由一组规则表示,这些规则通常涉及模糊和不确定的命题。命题的确定性用区间[a,b]表示,表示命题的概率至少为a,至多为b。介绍了用逻辑连接词“与”、“或”和“不”定义的模糊复合命题的总体确定性的计算方法和技巧。不同的推理模式应用模糊规则使用肯定前件进行了讨论。提供了用于组合已经从相同命题的不同规则接收的证据的不同算法。分析了该方法与其他方法的关系,并对该方法的知识获取和知识表示问题进行了详细讨论。一个基于规则的程序设计语言称为PICASSO,其中的方法是一个理论基础的基本概念,概述。
2013-03-27 cs.AI
The State of the Art in Developing Fuzzy Ontologies: A Survey
Shahid Beheshti University(沙希德·贝赫什提大学)
由典型本体支持的概念形式主义可能不足以表示由于领域的概念之间缺乏清晰的边界而导致的不确定性信息。模糊本体论的提出提供了一种方法来处理这种不确定性。本文介绍了在发展模糊本体的艺术状态。该调查是通过研究从一批100篇模糊本体领域的文章中发展模糊本体的约35部作品而产生的。
2018-05-06 cs.AI
A Modelling Approach Based on Fuzzy Agents
ESTA, School of Business & Engineering(ESTA 商业与工程学院);IRTES-M3M, University of Technology of Belfort-Montbéliard(贝尔福-蒙贝利亚尔技术大学 IRTES-M3M)
复杂系统的建模主要基于将这些系统分解为自治元素,以及识别和定义这些元素之间可能的相互作用。为此,基于代理的方法是经常提出的建模解决方案。复杂性也可能是由于外部事件或系统内部,其主要特征是不确定性,不精确性,或其感知是主观的(即解释)。由于模糊逻辑为不确定性建模提供了一种解决方案,模糊主体的概念可以同时对复杂性和不确定性进行建模。本文重点介绍了模糊Agent的概念:一个经典的体系结构的Agent重新定义根据模糊的角度。然后提出了一个智能灌溉系统的模糊代理的教学说明。
2013-02-26 cs.AI
A Counterexample to the Forward Recursion in Fuzzy Critical Path Analysis Under Discrete Fuzzy Sets
Villanova University(维拉诺瓦大学)
模糊逻辑是量化与活动持续时间有关的不确定性的另一种方法。向后递归的模糊版本已被证明会产生错误地放大不确定性水平的结果。然而,模糊版本的前向递归已被广泛提出作为一种方法来确定模糊集的关键路线长度。本文直接应用可拓原理导出了模糊关键路线分析中必须满足的一个命题。使用一个反例,它表明,模糊前向递归离散模糊集被用来表示活动持续时间产生的结果是不一致的理论。这个问题被证明是模糊最大值的应用。在文献中提出的几种方法进行了描述,并显示提供的结果是一致的扩展原则。
2016-05-09 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
Fuzzy finite element model updating using metaheuristic optimization algorithms
University of Johannesburg(约翰内斯堡大学);Swansea University(斯旺西大学)
本文采用一种基于模糊逻辑的非概率方法对有限元模型进行修正。模型修正技术利用实测数据来提高结构数值模型的精度。然而,测量数据被实验噪声污染,并且由于参数的随机性,模型不准确。这种偶然的不确定性是不可约的,可能会降低有限元模型修正过程的精度。然而,可以使用不确定性量化方法来识别更新参数中的不确定性。本文将模态参数的不确定性定义为模糊隶属函数,将模型修正过程定义为每个α截层的优化问题。为了确定更新后的参数的隶属函数,目标函数的定义和最小化,使用两个元启发式优化算法:蚁群优化(ACO)和粒子群优化(PSO)。通过一个结构算例,验证了粒子群算法和蚁群算法的模糊模型修正策略的精度。并将模糊有限元模型修正结果与贝叶斯模型修正结果进行了比较。
2017-01-03 cs.AI
A Comparison of Non-stationary, Type-2 and Dual Surface Fuzzy Control
第一型模糊逻辑常用于控制系统中。然而,这种方法有时被证明是过于限制,无法适应存在的不确定性。在本文中,我们比较类型1模糊控制与其他几种模糊方法在一系列的不确定条件下。区间型2和非平稳模糊控制器进行了比较,随着“双表面”2型控制,命名为由于利用从标准区间型2系统产生的下限和上限值。我们调整1型控制器,然后从1型系统的隶属函数和足迹的不确定性,并评估它们使用模拟的自主航行问题与不同的环境不确定性。我们表明,虽然这些更复杂的控制器可以产生更好的性能比1型控制器,这是不能保证的,不确定性的足迹(FOU)的大小的选择有很大的影响,这种相对性能。
2013-07-03 cs.AI cs.NE
Data granulation by the principles of uncertainty
Ryerson University(瑞尔森大学)
粒建模的研究产生了各种数学模型,如区间,(高阶)模糊集,粗糙集和阴影集,这都是适合于描述所谓的信息粒。输入数据不确定性的建模是信息粒度化的一个重要方面。此外,不确定性在许多数学环境中是一个很好的研究概念,例如概率论,模糊集理论和可能性理论。这一事实表明,信息粒模型所表达的不确定性的适当量化可以用来定义一个不变的属性,在信息粒化的实际情况下加以利用。从这个角度来看,如果由合成的信息颗粒传达的不确定性与输入数据的不确定性呈单调递增关系,则信息颗粒化的过程是有效的。在本文中,我们提出了一个数据粒度框架,详细阐述了Klir引入的不确定性原则。作为系统和数据的介观描述符的不确定性,可以应用这些原理,而不管输入数据类型和信息颗粒所采用的特定数学设置。所提出的框架被认为是(i)提供一个指导方针的综合信息粒和(ii)建立一个基础,比较和定量判断不同的数据粒化过程。为了提供一个合适的案例研究,我们引入了一个新的数据粒度技术的基础上的最小距离和,这是专为生成2型模糊集。我们通过对两种不同的数据类型:特征向量和标记图进行不同的实验来分析该过程。结果表明,输入数据的不确定性是适当地传达所产生的第二类模糊集模型。
2015-03-02 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
Structured Multi-Criteria Evaluation of Large Language Models with Fuzzy Analytic Hierarchy Process and DualJudge
St. Petersburg State University(圣彼得堡国立大学);ITMO University(ITMO大学)
本文提出基于模糊层次分析法的结构化评估方法,通过引入置信度感知的模糊AHP扩展,提升对大型语言模型评估的准确性与稳定性,提出DualJudge框架实现直观与 deliberative评估的互补。
2026-04-04 cs.AI
Quantifying Uncertainty in Risk Assessment using Fuzzy Theory
Old Dominion University(奥多明尼昂大学)
风险专家正试图更好地理解风险,并使用复杂的模型进行风险评估,而许多风险尚未得到很好的理解。由于缺乏经验数据以及复杂的因果关系和结果关系,很难估计某些风险类型的风险程度。传统的风险模型是基于经典集合论的。相比之下,模糊逻辑模型是建立在模糊集理论上的,对于分析知识不足或数据不准确的风险是有用的。模糊逻辑系统有助于使大规模风险管理框架更加简单。对于没有适当概率模型的风险,模糊逻辑系统可以帮助建立因果关系模型,评估风险暴露程度,以一致的方式对关键风险进行排名,并考虑可用数据和专家意见。此外,在模糊逻辑系统中,一些规则明确地解释了模型因素之间的连接、依赖和关系。这有助于确定风险缓解解决方案。资源可用于降低风险,风险敞口水平非常高,对冲成本相对较低。模糊集和模糊逻辑模型可以与贝叶斯和其他类型的方法识别和决策模型一起使用,包括人工神经网络和决策树模型。这些开发的模型有可能解决困难的风险评估问题。本研究探讨了模糊逻辑模型可用于改善风险评估和风险决策的领域。我们将讨论在风险评估中使用模糊逻辑系统的方法、框架和过程。
2020-09-20 cs.AI math.OC
An approach utilizing negation of extended-dimensional vector of disposing mass for ordinal evidences combination in a fuzzy environment
Southwest University(西南大学)
如何衡量一个给定的识别框架的不确定性程度一直是一个热门话题多年。许多有意义的研究工作为正确度量这种程度提供了一些有效的方法。然而,在传统的识别框架的定义中,一个至关重要的因素,即命题序列,是缺失的。本文给出了序识别框架的详细定义。此外,本文还提出了一种利用计算机视觉的概念,将命题的顺序和数量结合起来的方法,以更好地体现识别框架中两个重要元素之间的关系。此外,本文还提出了一种专门设计的方法,该方法包含了传统识别框架的不确定性程度的一些强有力的工具,并在向量水平上给出了一个有序识别框架的不确定性水平的指标。
2021-04-06 cs.AI
Renewable Energy Sources Selection Analysis with the Maximizing Deviation Method
Istanbul University-Cerrahpaşa(伊斯坦布尔大学-塞拉赫帕沙)
本研究提出一种结合区间值费马泰模糊集与偏差最大化方法的优化模型,用于在不确定环境下确定特征权重,并应用于可再生能源来源选择,兼顾技术与管理政治影响。
2025-09-06 cs.AI
A Complete Calculus for Possibilistic Logic Programming with Fuzzy Propositional Variables
Universitat de Lleida (UdL)(莱里达大学);CSIC(西班牙国家研究委员会)
本文提出了一种用于可能性不确定性推理和表示模糊知识的命题逻辑程序设计语言。公式由对(A,c)表示,其中A是多值命题,c是单位区间[0,1]中的值,它表示关于A的信念在必要性测度方面的下界。信念状态的所有多值解释的集合上的可能性分布建模。在这个框架中,(i)定义了一般不确定性逻辑的语法和语义,(ii)给出了Horn-规则子语言的一个前件式演算,并证明了它对于确定模糊命题变量从公式集合中导出的最大可能性信念度是完备的;最后,(iii)我们展示了如何计算模糊命题变量之间的部分匹配,在必要性措施的模糊集,可以包括在我们的逻辑编程系统。
2013-01-16 cs.AI
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
Shannon entropy for intuitionistic fuzzy information
Research Center for Electronics and Information Technology(电子与信息技术研究中心);Valahia University(瓦拉几亚大学)
本文将Shannon模糊熵推广到直觉模糊熵。首先给出了一个新的直觉模糊信息距离和相似度计算公式。然后,我们构建了信息特征,如得分,确定性和不确定性的措施。引入了护送模糊信息的概念。然后,利用护送模糊信息,得到了直觉模糊信息的Shannon公式.应该强调的是,直觉模糊信息的香农熵验证了直觉模糊不确定性的四个定义条件。它的两个组成部分的措施也被确定:模糊性(模糊性)和不完整性(无知)。
2018-07-06 cs.AI cs.IT math.IT
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
IT2CFNN: An Interval Type-2 Correlation-Aware Fuzzy Neural Network to Construct Non-Separable Fuzzy Rules with Uncertain and Adaptive Shapes for Nonlinear Function Approximation
Shahid Beheshti University(沙希德·贝赫什提大学)
本文提出了一种新的区间二型模糊神经网络,它能够构造形状自适应的不可分模糊规则。为了反映不确定性,模糊集的形状被认为是不确定的。因此,提出了一种新的区间二型模糊集的形式,基于一般的高斯模型,能够构建不同的形状(包括三角形,钟形,梯形)。考虑到输入变量之间的相互作用,输入向量被转换到新的特征空间与不相关的变量适当的定义每个模糊规则。接下来,新的功能被馈送到模糊化层使用建议的区间类型2模糊集自适应形状。从而,区间型2不可分离的模糊规则,形成适当的形状,考虑到局部变量的相互作用和不确定性。对于类型约简,每个模糊规则的上下点火强度的贡献被分别自适应地选择。为了训练网络的不同参数,采用了Levenberg-Marquadt优化方法。该方法的性能进行了研究,清洁和噪声数据集显示的能力,考虑的不确定性。此外,所提出的范例,成功地应用于现实世界的时间序列预测,回归问题,和非线性系统辨识。根据实验结果,我们提出的模型的性能优于其他方法具有更简约的结构。
2021-12-21 cs.AI cs.LG
Margin-aware Fuzzy Rough Feature Selection: Bridging Uncertainty Characterization and Pattern Classification
Department of Electrical and Computer Engineering, University of Alberta(阿尔伯塔大学电气与计算机工程系);Department of Computer Science and Technology, Nanjing University(南京大学计算机科学与技术系);School of Computer, Jiangsu University of Science and Technology(江苏科技大学计算机学院);School of Artificial Intelligence and Computer Science, Nantong University(南通大学人工智能与计算机科学学院)
针对现有模糊粗糙特征选择仅关注降低不确定性却未必提升分类性能的问题,提出同时考虑标签类紧致性与分离性的MAFRFS框架,在15个公开数据集上表现优于现有6种SOTA特征选择算法。
2025-05-21 cs.AI cs.LG
An Estimation of Favorite Value in Emotion Generating Calculation by Fuzzy Petri Net
Prefectural University of Hiroshima(广岛县立大学)
基于情绪诱发条件理论的情绪生成计算(EGC)方法可以判断事件是否引起愉悦,并量化事件下的愉悦程度。以格框表示形式的事件被分为12种计算类型。然而,EGC的弱点是喜爱值(FV)作为个人品味信息。为了改善这一问题,本文提出了一种从对话中学习说话人品味信息的学习方法。特别是,学习方法采用模糊Petri网找到一个合适的FV的一个字,其中有未知的FV。本文讨论了当FV存在缺失值时,EGC算法的一个弱点,并提出了一种有效的学习方法。
2018-04-10 cs.AI cs.HC
A Hypervolume Based Approach to Rank Intuitionistic Fuzzy Sets and Its Extension to Multi-criteria Decision Making Under Uncertainty
Istanbul Technical University(伊斯坦布尔理工大学)
本文证明了非线性距离函数下直觉模糊集距离排序假设的缺陷,提出基于超体积的排序方法及多准则决策扩展HVAS,并应用于土耳其能源评估与TOPSIS等方法比较。
2022-12-25 cs.AI math.LO
A New Type-II Fuzzy Logic Based Controller for Non-linear Dynamical Systems with Application to a 3-PSP Parallel Robot
Ferdowsi University of Mashhad(马什哈德菲尔多西大学)
本文提出一种基于类型-II 模糊逻辑的控制器,用于非线性动力学系统,应用于3-PSP并联机器人,以应对不确定性问题。
2016-12-05 cs.AI cs.SY eess.SY
Decision-making algorithm based on the energy of interval-valued fuzzy soft sets
Faculty of Science, University of Kragujevac(克拉古耶瓦茨大学理学院)
本文提出基于区间值模糊软集能量的决策算法,引入悲观与乐观能量,通过实例验证其在不确定性决策中的有效性,并与其他方法比较。
2024-05-17 cs.AI
Fuzzy Logic in Narrow Sense with Hedges
Hanoi University of Mining and Geology(河内矿业地质大学)
经典逻辑有一个严重的局限性,因为它不能处理人类推理的大多数模式都陷入的不确定性和不确定性问题。为了在模糊、不精确和不确定的情况下为人类的知识表示和推理提供基础,模糊逻辑必须具有处理语言模糊限制语的能力,而语言模糊限制语在模糊谓词的修改中起着非常重要的作用。本文用Novak等人提出的分级语法对狭义模糊逻辑进行了扩展,有很多对冲连接词。在一种情况下,每个对冲没有任何对偶对冲。在另一种情况下,每个对冲都可以有自己的双重对冲。所得到的逻辑也具有Pavelka式的完备性
2016-08-29 cs.AI cs.LO
FISformer: Replacing Self-Attention with a Fuzzy Inference System in Transformer Models for Time Series Forecasting
Computer Engineering Department, Gaziantep University(加扎莱普大学计算机工程系)
FISFormer通过模糊推理机制替代传统注意力机制,提升时间序列预测中对不确定性和非线性依赖的建模能力,实验显示其在准确性、鲁棒性和可解释性上优于现有Transformer变体。
2026-03-23 cs.AI cs.LG
Conformance Checking of Fuzzy Logs against Declarative Temporal Specifications
Free University of Bozen-Bolzano(波尔扎诺自由大学);University of Bologna(博洛尼亚大学);University of Edinburgh(爱丁堡大学)
针对事件数据带不确定性的场景,研究模糊日志与声明式时态规则的一致性检查问题,定义模糊版LTLf、将检查转化为该逻辑的验证问题,并给出基于PyTorch的高效概念验证实现。
2024-06-17 cs.AI cs.LO
A hybrid spatial data mining approach based on fuzzy topological relations and MOSES evolutionary algorithm
Isfahan University of Technology(伊斯法罕理工大学)
在战略空间规划中做出高质量的决策在很大程度上依赖于从大量数据中提取知识。虽然许多决策问题,如开发城市地区需要这样的感知和推理,在这一领域的现有方法通常忽略了从地理数据库中挖掘的深层知识,并基于纯统计方法。由于空间数据库中收集的数据量巨大,以及空间对象的不确定性,挖掘用于高层知识表示的关联规则是一项具有挑战性的任务。很少有算法使用拓扑关系来管理地理和非地理数据。提出了一种基于MOSES进化框架的空间数据采掘新方法,改进了经典的遗传编程方法。提出了一种混合架构称为GGeo应用的MOSES挖掘规则考虑模糊拓扑关系的空间数据。不确定性和模糊性方面的解决使用丰富的模型的拓扑关系的模糊区域连接演算。此外,为克服模糊拓扑关系计算耗时的问题,提出了一种新的数据预处理方法。GGeo分析和学习地理和非地理数据,使用拓扑和距离参数,并返回一系列算术空间公式作为分类规则。所提出的方法对噪声数据具有抵抗力,并且其所有阶段并行运行以提高速度。这种方法可以用于不同的空间数据分类问题,以及代表一个适当的数据分析和经济政策制定的方法。
2017-04-21 cs.AI
An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation
Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh(巴里利学院数学系,巴里利(MJP罗希尔坎德大学),乌塔尔 Pradesh);CSIR-Central Electronics Engineering Research Institute, Pilani, Rajasthan(CSIR-中央电子工程研究机构,比兰蒂,拉贾斯坦);CICMR, Regional Medical Research Center, Dibrugarh, India(CICMR,迪布格尔中心医学研究中心,印度);Department of Statistics, Bareilly College, Bareilly, Uttar Pradesh(巴里利学院统计系,巴里利,乌塔尔 Pradesh)
本文提出一种融合模糊逻辑的损失函数,用于解决MRI脑图像分割中的不确定性问题,通过结合分类交叉熵和模糊熵,提升分割性能和模型预测可靠性。
2026-04-13 cs.AI cs.CV cs.LG
A Dynamic Survey of Fuzzy, Intuitionistic Fuzzy, Neutrosophic, Plithogenic, and Extensional Sets
本文系统回顾了模糊、直觉模糊、邻域模糊和多维模糊集的理论发展,旨在通过统一阐述激发新的研究思路和应用扩展。
2026-03-12 cs.AI cs.CE
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
Building Interval Type-2 Fuzzy Membership Function: A Deck of Cards based Co-constructive Approach
Department of Computer Science, University of Ja \'e n, 23071 Ja \'e n, Spain;Department of Mathematics, University of Ja \'e n, 23071 Ja \'e n, Spain
本文提出一种基于扑克牌的共构方法,用于构建区间型模糊隶属函数,以提高多准则决策中对决策者犹豫和模糊性的处理能力。
2025-03-11 cs.AI math.OC
Composite Monte Carlo Decision Making under High Uncertainty of Novel Coronavirus Epidemic Using Hybridized Deep Learning and Fuzzy Rule Induction
University of Macau(澳门大学);Zhuhai Institutes of Advanced Technology of the Chinese Academy of Sciences(中国科学院珠海先进技术研究院);Techno India College of Technology(印度Techno印度科技学院);Universidad Internacional de La Rioja(拉里奥哈国际大学);University of Granada(格拉纳达大学)
自2019年12月新型冠状病毒疫情爆发以来,各国政府和当局一直在努力在高度不确定性的情况下做出关键决策。复合蒙特卡罗(CMC)模拟是一种预测方法,它通过从一些概率分布中抽取随机样本,将从多个相关/偶然微观数据源中分解的可用数据外推到许多可能的未来结果。例如,武汉市周边城市的时空数据影响着中国感染病例的总体趋势和传播(病毒的来源地),从人口密度,出行流动性,医疗资源,如医院病床和每个城市的检疫控制的及时性等,因此CMC只有在基本统计数据接近时才是可靠的。CMC的分布,它应该代表未来事件的行为,以及复合数据关系的正确性。在本文中,一个案例研究,使用CMC,增强了深度学习网络和模糊规则归纳,以获得更好的随机见解的流行病的发展进行了实验。代替将简单和统一的假设应用于MC(这是常见的实践),结合模糊规则归纳技术使用基于深度学习的CMC。因此,决策者受益于一个更好的拟合MC输出,辅之以最小-最大规则,预测未来可能性的极端范围。
2020-03-22 cs.AI q-bio.PE
Fuzzy Expert Systems for Prediction of ICU Admission in Patients with COVID-19
University of Alberta(阿尔伯塔大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
COVID-19疫情对全球几乎所有国家都产生了巨大影响,许多医院都因COVID-19病例而不堪重负。由于医疗资源有限,如何分配这些资源是一个非常重要的问题。此外,不确定性是影响决策的主要因素,特别是在医疗领域。为了解决这个问题,我们使用模糊逻辑(FL)作为建模系统具有高度的不确定性和复杂性的最合适的方法之一。我们打算利用FL的优势,在决定的情况下,需要在ICU治疗。在这项研究中,提出了一个区间2型模糊专家系统,用于预测COVID-19患者的ICU入院。对于这个预测任务,我们还开发了一个自适应神经模糊推理系统(ANFIS)。最后,这些模糊系统的结果进行了比较,一些著名的分类方法,如朴素贝叶斯(NB),基于案例的推理(CBR),决策树(DT),和K近邻(KNN)。结果表明,2型模糊专家系统和ANFIS模型执行竞争力的准确性和F-措施相比,其他系统建模技术。
2023-02-08 cs.AI cs.LG
Fuzzy, Neutrosophic, and Uncertain Graph Theory: Properties and Applications
本书系统综述了不确定性下的图论,以不确定图框架为核心,统一了模糊、中智等模型,并介绍了扩展图类及其在分子图、决策系统、图神经网络等领域的应用。
2026-04-25 cs.AI cs.LG
Fuzzy Label: From Concept to Its Application in Label Learning
Jiangnan University(江南大学);Xiongan Institute of Artificial Intelligence(雄安人工智能研究院)
针对传统标签学习中二元逻辑标签无法表示不确定性的问题,本文基于模糊集合理论提出模糊标签概念及生成方法,以KNN为例构建增强算法,实验证明其能提升模型性能。
2025-11-10 cs.AI cs.LG
Particle Swarm Optimization for Generating Interpretable Fuzzy Reinforcement Learning Policies
Siemens AG, Corporate Technology(西门子公司企业技术部)
本文提出一种基于模糊粒子群强化学习(FPSRL)的方法,通过训练参数在模拟真实系统动态的世界模型上生成可解释的模糊强化学习策略,适用于无法进行在线学习的领域。
2017-08-15 cs.AI cs.LG cs.NE
On Modal Logics for Qualitative Possibility in a Fuzzy Setting
Spanish Council for Scientific Research (CSIC)(西班牙国家研究委员会)
在不确定性建模的可能性方法中,本文提出了一种模态逻辑系统来推理模糊命题的可能性(和必要性)的定性(比较)陈述。我们把这种定性模态逻辑与著名的知识和信念模态逻辑S5和KD 45的多值类似物MVS5和MVKD 45分别联系起来。完整性结果得到这样的逻辑,因此,他们扩展了以前现有的结果定性可能性逻辑在经典的非模糊设置。
2013-02-27 cs.AI cs.LO
On the algebraic structures of the space of interval-valued intuitionistic fuzzy numbers
Southwest Petroleum University(西南石油大学);Zhuhai College of Jilin University(吉林大学珠海学院);Karadeniz Technical University(卡拉德尼兹技术大学);Shandong University of Finance and Economics(山东财经大学)
这项研究的灵感来自于Huang等人(Soft Comput. 25,2513- 2520,2021)和Wang等人(Inf. Sci. 179,3026- 3040,2009),其中引入了区间值直觉模糊数(IVIFNs)的一些排序技术。本文证明了基于得分函数和三种熵函数的比较任意两个IVIFNs的方法中具有关系的所有IVIFNs的空间是一个完备链,并得到了该关系是一个容许序.此外,我们证明,IVIFNs是完整的链的关系,在比较方法IVIFNs的分数,准确性,隶属度不确定性指数,犹豫不确定性指数函数的基础上。
2021-12-01 cs.AI cs.IT math.IT
Zadeh's Type-2 Fuzzy Logic Systems: Precision and High-Quality Prediction Intervals
Istanbul Technical University(伊斯坦布尔理工大学)
本文采用Zadeh的GT2模糊集定义与α-平面表示,构建Z-GT2-FLS,结合深度学习优化器,实现高精度与高质量预测区间,优于传统GT2和IT2模糊系统。
2024-04-19 cs.AI cs.LG
Uncertainty-Aware Ensemble Deep Randomized Neural Networks for Classification
Indian Institute of Technology Indore(印度印多尔印度理工学院);Qatar University(卡塔尔大学)
针对现有深度随机神经网络对噪声/异常值鲁棒性不足的问题,提出IF-dRVFL与IF-edRVFL框架,通过直觉模糊理论分配样本自适应权重,在UCI、KEEL数据集上的实验验证了其性能优于现有SOTA方法。
2026-08-12 cs.AI cs.LG
Type-2 fuzzy reliability redundancy allocation problem and its solution using particle swarm optimization algorithm
South Asian University(南亚大学)
提出了一类模糊多目标可靠性冗余分配问题(FMORRAP),该问题在第2类模糊不确定性下,使系统可靠性最大化,同时使系统费用最小化.在建议的配方,高阶不确定性(如参数,制造,环境和设计师的不确定性)与系统建模与区间2型模糊集(IT 2 FS)。区间2型隶属函数(IT 2 MF)的不确定性足迹通过捕获来自多个系统专家的多个意见来容纳这些不确定性。我们考虑IT 2 MF来表示子系统的可靠性和成本,根据其配置,使用可拓原理进一步聚合以评估总系统可靠性和成本,即,串联并联和并联串联。我们提出了一种基于粒子群优化(PSO)的新的解决方法来解决FMORRAP。为了证明两个配方,即,串联并联FMORRAP和并联串联FMORRAP的适用性,我们进行了实验模拟各种数值数据集。决策者/系统专家为目标(系统可靠性和成本)分配不同的重要性,这些偏好由权重集表示。最优结果从我们的解决方案的方法,和帕累托最优前沿建立使用这些不同的权重集。实施遗传算法(GA),比较我们提出的解决方案所获得的结果。对粒子群算法和遗传算法进行了统计分析,发现基于粒子群算法的Pareto解优于遗传算法。
2020-05-02 cs.AI cs.NE math.OC
Application of Fuzzy Rule based System for Highway Research Board Classification of Soils
RV College of Engineering(RV工程学院);University Visveswaraya College of Engineering(维斯瓦拉亚大学工程学院)
基于模糊规则的模型是模仿人类思维方式和解决不确定性相关问题的有力工具,因为它允许可理解和可解释的规则库。本文的目的是研究的适用性模糊规则为基础的建模,以量化土壤分类的工程目的,定性考虑土壤指标的属性。公路研究委员会的分类系统被认为是说明一个模糊规则为基础的模型。利用三角函数对土壤指标属性进行模糊化,并计算模糊隶属度值。模糊算术运算符,然后施加到分类获得的成员值。采用模糊决策树分类算法,推导出模糊“若-则”规则,实现土壤分类的量化。该系统在MATLAB中实现。所获得的结果进行检查,并对实验室测试的结果测量所提出的模型的实施。
2020-05-10 cs.AI cs.LG
Optimization of Fuzzy Controller of a Wind Power Plant Based on the Swarm Intelligence
Novosibirsk State Technical University(新西伯利亚国立技术大学)
本文研究了基于模糊控制的风力发电系统的最优控制问题和模糊规则库的自动生成问题。专家的模糊规则并不总是提供风力发电厂的最大功率输出,并且在改变风力发电厂或环境的参数的情况下,模糊规则库需要调整。本研究提出了优化由不同专家编制的模糊规则库的方法。该方法基于粒子群优化算法将模糊规则的权值平衡到规则库中。实验表明,所提出的方法允许形成的模糊规则库作为一个示例性的最佳基地从一个非优化的模糊规则集。针对风电场的具体控制回路和风力的具体模糊模型,考虑了最优模糊规则库。
2020-06-14 cs.AI cs.NE cs.SY
Robust Fuzzy Multi-view Learning under View Conflict
College of Computer Science, Sichuan University(四川大学计算机学院);Tianfu Jincheng Laboratory(天府锦城实验室);School of Artificial Intelligence, Sichuan University(四川大学人工智能学院)
针对多视角分类中视角冲突问题,提出基于模糊集理论的鲁棒模糊多视角学习框架(R-FUML),通过模糊隶属度量化类别可信度、熵值融合及冲突样本惩罚机制,提升鲁棒性和不确定性估计。
2026-05-23 cs.AI cs.CV cs.MM
AI-Powered Intracranial Hemorrhage Detection: A Co-Scale Convolutional Attention Model with Uncertainty-Based Fuzzy Integral Operator and Feature Screening
School of Electrical and Computer Engineering, College of Engineering, University of Tehran(塔里斯坦大学电气与计算机工程学院);Department of Computer Science and Engineering, Sejong University(世宗大学计算机科学与工程系);Department of Neurosurgery, Iran University of Medical Sciences(伊朗医学科学大学神经外科系)
本研究提出了一种基于共尺度卷积注意力模型和不确定性模糊积分运算符的AI方法,用于准确检测和分类脑内出血及硬脑膜下出血。
2026-02-09 cs.AI cs.CV cs.LG
Risk Averse Alert Prioritization for IDS Using Subnormal Gaussian Fuzzy Models
Murat Moran
提出基于次正态高斯模糊数的警报优先级排序框架,通过建模威胁严重性、检测置信度和组织风险态度三种不确定性,利用排序指数实现可调安全姿态,实验证明在检测器退化下比基线方法更鲁棒。
2026-05-26 cs.AI cs.CR cs.HC
Advancing Uncertain Combinatorics through Graphization, Hyperization, and Uncertainization: Fuzzy, Neutrosophic, Soft, Rough, and Beyond
本书通过引入neutrosophic超集等新概念,扩展了图论和集合论在不确定性和超结构中的应用,为组合学和不确定性理论提供了新的研究方向。
2026-02-22 cs.AI cs.DM cs.LG
Survey of Various Fuzzy and Uncertain Decision-Making Methods
本文综述了考虑不确定性的多准则决策方法,分类了任务导向的体系结构,总结了问题设置、权重获取及跨准则结构,并对比了不同解决方案,提供了选择方法的指导。
2026-03-16 cs.AI cs.CE cs.CY