Multiobjective Programming for Type-2 Hierarchical Fuzzy Inference Trees
ETH Zurich（苏黎世联邦理工学院）；Technical University of Ostrava（俄斯特拉发技术大学）；Machine Intelligence Research Labs（机器智能研究实验室）
提出了一种层次模糊推理树的设计方法。HFIT产生最佳树状结构，即，一种自然的层次结构，通过结合几个低维模糊推理系统（FIS）来简化。这种自然的分层结构提供了高度的近似精度。HFIT的建设分两个阶段进行。首先，基于非支配排序的多目标遗传编程（MOGP）被应用于获得一个简单的树结构（一个低复杂度的模型），具有较高的精度。其次，应用差分进化算法对得到的树的参数进行优化。在派生树中，每个节点获取不同的输入组合，其中进化过程控制输入的组合。因此，HFIT节点本质上是异构的，这导致由HFIT生成的规则之间的高度多样性。此外，HFIT提供了自动特征选择，因为它使用MOGP进行树的结构优化，该结构优化仅接受与数据中包含的知识相关的输入。HFIT研究的背景下，类型-1和类型-2 FIS，其性能进行了评估，通过六个应用问题。此外，建议的多目标HFIT进行了比较，从理论上和经验上与最近提出的FIS方法从文献中，如McIT 2FIS，TSCIT 2FNN，SIT 2FNN，RIT 2FNS-WB，eT 2FIS，MRIT 2NFS，IT 2FNN-SVR等。从所获得的结果，人们发现，HFIT提供了较低的复杂性和高精度的模型相比，大多数其他方法产生的模型。因此，建议HFIT是一个有效的和有竞争力的替代其他FIS的函数逼近和特征选择。
2017-05-16 cs.AI
A Hierarchical Genetic Optimization of a Fuzzy Logic System for Flow Control in Micro Grids
SAPIENZA University of Rome（罗马大学）；Ryerson University（瑞尔森大学）
生物启发的算法，如遗传算法和模糊推理系统（FIS），目前广泛采用的混合技术在商业和工业环境。在本文中，我们提出了一个有趣的应用模糊遗传算法的范例智能电网。主要目的包括在执行决策的潮流管理任务，在建议的微电网模型配备可再生能源和储能系统，考虑到能源交易的经济利润与主电网。特别是，本研究的重点是应用分层遗传算法（HGA）调整规则库（RB）的模糊推理系统（FIS），试图发现一个最小的模糊规则集的模糊逻辑控制器（FLC）通过执行决策在微电网。HGA原理集中在一个特定的编码方案，基于控制基因和参数基因应用于FIS参数的优化，允许执行RB的结构复杂性的降低。这种方法在下文中将被称为模糊HGA。结果进行了比较与一个简单的方法的基础上，一个经典的模糊遗传算法计划，其中FIS参数和规则权重进行调整，而模糊规则的数量是固定的。实验结果表明，如何模糊HGA方法采用的建议控制器的合成优于经典的模糊GA计划，增加了67%的会计利润在考虑能源交易问题，同时产生一个简单的RB。
2017-03-01 cs.AI cs.NE
Hierarchical Decision-Making for Autonomous Navigation: Integrating Deep Reinforcement Learning and Fuzzy Logic in Four-Wheel Independent Steering and Driving Systems
School of Automation, Central South University（自动化学院，中南大学）
本文提出一种面向四轮独立转向与驱动系统的分层决策框架，融合深度强化学习进行高层导航和模糊逻辑进行低层控制，在仿真与真实工业场景中验证了其优于传统方法及纯DRL方案的训练效率、稳定性和安全性。
2025-08-22 cs.AI cs.RO
A Hierarchical Fuzzy System for an Advanced Driving Assistance System
University of Sfax（斯法克斯大学）；National School of Engineers (ENIS)（国家工程师学院（ENIS））
在这项研究中，我们提出了一个层次模糊系统，通过评估的危险状态，驾驶员辅助系统，以有助于减少道路交通事故的数量。该系统的一个关键组成部分是它的能力，不断检测和测试的内部和外部的风险，在实时：外部汽车的风险，通过检测各种道路移动物体;该系统的立场上计算机视觉的方法。内部的风险，通过提出一个自动系统，困倦驾驶识别或检测通过评估脑电信号的驱动程序;这个开发的系统是基于计算机视觉技术和生物特征识别因素（脑电图脑电图）。该系统由三个主要模块组成。第一模块负责通过驾驶员的眼球运动（身体困倦）来识别驾驶员的困倦状态。第二个负责检测和分析他的生理信号，以识别他的困倦状态（道德困倦）。第三个模块负责通过实时的检测道路上不同的运动物体来评估道路驾驶风险。最后的决策将通过合并的三个检测系统，通过使用模糊决策规则。最后，所提出的方法已经改进了十个样本从一个建议的数据集。
2018-06-02 cs.AI cs.CV
Hierarchical fuzzy neural networks with privacy preservation for heterogeneous big data
异构大数据给机器学习带来了许多挑战。其巨大的规模、高维度和固有的不确定性使得机器学习的几乎每个方面都很困难，从提供足够的处理能力到保持模型的准确性，再到保护隐私。然而，也许最令人担忧的问题是，大数据往往夹杂着敏感的个人数据。因此，我们提出了一个隐私保护层次模糊神经网络（PP-HFNN），以解决这些技术挑战，同时也减轻隐私问题。该网络的训练与两阶段的优化算法，并在层次结构的低级别的参数学习与计划的基础上，众所周知的交替方向的乘法器，它不会透露本地数据给其他代理。层次结构的高层协调由交替优化方法处理，该方法收敛非常快。整个训练过程是可扩展的，快速的，并且不会像基于反向传播的方法那样遭受梯度消失问题。在回归和分类任务上进行的综合仿真证明了所提出的模型的有效性。
2022-09-18 cs.AI cs.CR cs.LG
Fuzzy Hierarchical Multiplex
本文提出了一种基于模糊优化的多plex框架，用于服务流程设计中的信息传输优化，通过扩展FCM因果性并分析其逻辑与数学基础。
2025-12-10 cs.AI cs.LG cs.SY
Uncertain and Approximative Knowledge Representation to Reasoning on Classification with a Fuzzy Networks Based System
Institut Préparatoire aux études d'Ingénieur de Monastir（莫纳斯提尔工程师预科学院）
这里描述的方法允许使用模糊对象表示的不精确和不确定的知识。这种表示有很大的实际意义，由于可能实现推理的分类与模糊语义网络为基础的系统。例如，必要的，可能的和用户类之间的区别允许考虑到可能出现在模糊知识库中的异常，并促进用户对象在基础中的集成。这种方法描述了整个实验性人工智能体系结构的理论方面。我们内置的了一个系统，以便为新技术系统的用户提供有效的在线帮助：从自然语言的查询中理解“它是如何工作的”和“如何完成任务”。在我们的模型中，程序语义网络被用来描述一个“理想”的专家的知识，而模糊集被用来描述模糊语义网络中的新手用户的近似和不确定的知识进行干预，以匹配模糊标签的查询与类别，从我们的“理想”的专家。
2012-06-11 cs.AI
Representation of a Sentence using a Polar Fuzzy Neutrosophic Semantic Net
K. L. University（K L 大学）
语义网可以用来表示句子。语言中的句子包含着极性语义，即肯定语义、中性语义和否定语义。中性论是一个相对较新的科学领域，可以用来数学地表示三元组的概念。这些三位一体包括真理、不确定性和谬误，以及积极性、中立性和消极性。因此，传统的语义网已扩展到本文使用的极模糊中性语义网。在MATLAB中实现了一个极性模糊中性语义网，并用它来描述英语中的一个极性句子。本文提出了一种在计算机存储器中表示极性的方法。因此，极性概念可以应用于机器，如机器人，吸收情感，使机器情感表示成为可能。
2014-05-02 cs.AI
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
Fuzzy Object-Oriented Dynamic Networks. II
Taras Shevchenko National University of Kyiv（基辅塔拉斯·舍甫琴科国立大学）；University of Rzeszow（热舒夫大学）
本文将面向对象的动态网络推广到模糊的情况下，它允许一个表示知识的对象和类的对象，是模糊的性质，并模拟其变化的时间。在所描述的方法的框架内，提出了一种机制，该机制使得有可能在基本知识的基础上获得新的知识，并且与现有的知识表示模型中使用的公知方法有很大不同。通过一个具体的模糊面向对象动态网络的构造实例说明了该方法。
2016-02-16 cs.AI
Fuzzy Knowledge Representation, Learning and Optimization with Bayesian Analysis in Fuzzy Semantic Networks
Institut Préparatoire aux études d'Ingénieur de Monastir（莫纳斯提尔工程师预备学院）
本文提出了一种基于贝叶斯分析技术和Gallois格的模糊语义网络优化方法。我们使用的技术系统通过解释一个未知的单词来学习，使用这个新单词和已知单词之间的链接。主链接由查询的上下文提供。当新手的查询与应用于表示理想用户网络中的对象或用户网络中的对象的已知名词的未知动词（目标）混淆时，系统推断该新动词对应于已知目标之一。随着学习的新的单词在自然语言的解释，这是在与用户达成协议，该系统改进了其表示方案在每个实验与一个新的用户，此外，利用以前的讨论与用户。因此，通过这些类型的学习获得的用户对象的语义网并不总是最优的，因为用户对象之间的一些关系可以根据表征它们的力的值来概括和抑制。事实上，为了简化得到的网络，我们建议进行归纳贝叶斯分析，从加洛瓦格得到的网络。该分析的目的可以被看作是对所获得的描述图进行过滤的操作。
2012-06-08 cs.AI
A Fuzzy Directional Distance Measure
University of Nottingham（诺丁汉大学）；Loughborough University（拉夫堡大学）
两个模糊集之间的距离度量是模糊集理论中的一个基本工具，然而，目前文献中的距离度量使用一个明确的值来表示模糊集之间的距离。将实值距离测度发展为模糊距离测度，更好地反映了模糊集合中的不确定性，并提出了模糊方向距离测度，说明了模糊集合之间的变化方向。一个乘法的版本，探索了一个完整的最大分配是计算上难以处理的，所以提供了一个中间的解决方案。
2014-09-03 cs.AI
Softening Fuzzy Knowledge Representation Tool with the Learning of New Words in Natural Language
ERPAH-FST & DMI-IPEIM（ERPAH-FST与DMI-IPEIM）
这里描述的方法允许使用隶属度函数来表示不精确和不确定的知识，通过学习模糊语义网络。这种表示具有很大的实际意义，因为一方面可以实现从一个简单的值来构造这种隶属函数，该值表示与其他值相比对对象或目标的解释程度，另一方面可以实现在学徒期间对隶属函数的调整。我们展示了如何使用这些隶属函数来表示与系统对象（分别为目标）相比的对象（分别为目标）用户的解释。我们还展示了一个系统对象相比，用户对象的每个表示作出决定的可能性。该决策是通过确定根据用户对象隶属函数的核计算的决策系数来做出的。
2012-06-08 cs.AI
Multi-view Fuzzy Representation Learning with Rules based Model
Jiangnan University（江南大学）；University of Nottingham（诺丁汉大学）
本文提出基于可解释TSK模糊系统的多视图模糊表示学习方法MVRL_FS，通过高维模糊特征空间同时挖掘视图公共信息与特定信息，并利用L_(2,1)范数回归和拉普拉斯图保持视图一致性与数据几何结构，在多个基准数据集上验证了其优越性。
2023-09-20 cs.AI
Fuzzy OWL-BOOST: Learning Fuzzy Concept Inclusions via Real-Valued Boosting
ILC - CNR（意大利国家研究委员会计算语言学研究所）；ISTI - CNR（意大利国家研究委员会信息科学与技术研究所）
OWL本体是目前一种非常流行的方法来描述结构化知识的类，类之间的关系和类实例。在本文中，给定一个OWL本体的目标类T，我们解决了学习模糊概念包含公理的问题，这些公理描述了成为T的一个单独实例的充分条件。要做到这一点，我们提出了模糊OWL-BOOST依赖于真正的AdaBoost升压算法适应（模糊）OWL的情况下。我们通过一个实验来说明它的有效性。一个有趣的功能是，学习的规则可以直接表示为模糊OWL 2。因此，任何模糊OWL 2推理器都可以用于自动确定/分类（以及在何种程度上）个体是否属于目标类T。
2021-03-26 cs.AI
Fuzzy Object-Oriented Dynamic Networks. I
Taras Shevchenko national University of Kyiv（基辅塔拉斯·舍甫琴科国立大学）；University of Rzeszow（热舒夫大学）
模糊对象和它们的类的概念进行了描述，使它能够结构化地表示有关模糊和部分定义的对象和它们的类的知识。在这样的对象和类的操作也提出了，使人们有可能获得集和新的类的模糊对象，并在外部因素的影响下，对象结构的模型变化。
2016-02-16 cs.AI
Extending Similarity Measures of Interval Type-2 Fuzzy Sets to General Type-2 Fuzzy Sets
University of Nottingham（诺丁汉大学）
相似性度量是模糊集推理的核心工具之一。虽然有许多类型的相似性措施存在的类型1和区间2型模糊集，有很少的相似性措施，使一般的2型模糊集的比较。在本文中，我们介绍了一个一般的方法，扩展现有的区间类型2相似性措施，一般类型2模糊集的相似性措施。具体来说，我们展示了如何区间类型2模糊集的相似性措施可以采用结合zSlices的一般类型2表示模糊集提供措施的相似性，保留所有的共同属性（即自反性，对称性，传递性和重叠）的原始区间类型2相似性措施。我们展示了这样的扩展模糊措施的例子，并提供（不同类型的）区间和一般的2型模糊措施之间的比较。
2013-08-23 cs.AI
Fuzzy Stochastic Timed Petri Nets for Causal properties representation
Universidad Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）；Universidad Autónoma de Madrid（马德里自治大学）；Universidad Pontificia de Comillas（科米利亚斯主教大学）
图像经常被用来建模，表示和交流知识。特别是，图是最强大的工具之一，能够表示对象之间的关系。因果关系通常由有向图表示，节点表示原因，链接表示因果影响。因果图是一幅骨架图，显示实体之间的因果关系和影响。用于图形化表示因果场景的常用方法是神经元、真值表、因果贝叶斯网络、认知图和Petri网。因果关系通常被定义为优先（原因先于结果），并发性（通常，一个结果是由两个或多个原因同时引起的），循环性（原因引起结果，结果加强原因）和不精确性（原因的存在有利于结果，但不一定导致它）。我们将表明，即使传统的图形模型能够单独表示上述的一些属性，他们无法试图说明模糊所有这些。为了接近这一差距，我们将引入模糊随机时间Petri网作为一个图形工具，能够代表时间，同现，循环和因果流的不精确性。
2020-11-24 cs.AI cs.CL
