A novel method of fuzzy time series forecasting based on interval index number and membership value using support vector machine
G. B. Pant University of Agriculture and Technology（GB潘特农业技术大学）
模糊时间序列预测方法由于不依赖于传统时间序列预测方法的严格假设条件而受到研究者的青睐。非随机的模糊时间序列预测方法因其预测效果更显著而受到研究者的青睐。一般来说，有四个因素决定了预测方法的性能：（1）划分论域（UOD）的区间数（NOI）和区间长度（2）模糊化规则或清晰时间序列的特征表示（3）在输入值和目标值之间建立模糊逻辑规则（FLR）的方法（4）获得清晰预测值的去模糊化规则。考虑到提高预测精度的前两个因素，我们提出了一种新的非随机方法模糊时间序列预测，其中以区间指数和隶属度值作为输入特征来预测未来值。我们提出了一个简单的舍入范围和合适的步长方法来找到最佳的间隔数（NOIs），并使用模糊c均值聚类过程中划分UOD为不等长的区间。我们实现支持向量机（SVM）建立FLR。为了测试我们所提出的方法，我们进行了模拟研究五个广泛使用的实时的序列，并与最近开发的一些模型的性能进行比较。我们还研究了所提出的模型的性能，使用多层感知器（MLP），而不是SVM。两个性能指标RSME和SMAPE用于性能分析，并观察到更好的预测精度所提出的模型。
2020-10-20 cs.LG
Nonlinear Dimensionality Reduction for Data Visualization: An Unsupervised Fuzzy Rule-based Approach
Indian Statistical Institute（印度统计研究所）
在这里，我们提出了一个无监督的模糊规则为基础的降维方法主要用于数据可视化。它考虑了以下重要问题相关的降维为基础的数据可视化：（i）保存的邻域关系，（ii）处理数据的非线性流形，（iii）预测新的测试数据点的能力，（iv）系统的可解释性，以及（v）拒绝测试点的能力，如果需要的话。为此，我们使用一阶Takagi-Sugeno型模型。我们使用输入数据中的聚类生成规则前因。在这方面，我们还提出了一个新的变种的测地线c-均值聚类算法。我们通过最小化误差函数来估计规则参数，该误差函数将点间测地线距离（流形上的距离）保持为投影空间上的欧氏距离。我们将所提出的方法应用于三个合成和三个真实世界的数据集，并与其他四个标准的数据可视化方法的结果进行了直观的比较。实验结果表明，该方法具有较好的性能，优于或可与其它方法相媲美。所提出的方法被认为是强大的初始条件。通过实验验证了该方法对测试点的预测性。我们还评估了我们的方法在应该拒绝输出点时拒绝输出点的能力。然后，我们扩展了这个概念，为学习具有不同目标函数的数据投影的无监督模糊模型提供了一个通用框架。据我们所知，这是第一次尝试使用无监督模糊建模进行流形学习。
2020-04-08 cs.HC cs.LG stat.ML
A Centroid Auto-Fused Hierarchical Fuzzy c-Means Clustering
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
与k-means和高斯混合模型（GMM）一样，具有软划分的模糊c-均值（FCM）也成为一种流行的聚类算法，并且仍然被广泛研究。然而，这些算法及其变种仍然遭受一些困难，如确定的最佳数量的集群，这是一个关键因素的聚类质量。克服这一困难的一个常见方法是使用试验和验证策略，即，遍历从大整数$\sqrt{n}$到2的每一个整数，直到找到某个聚类有效性指标的峰值所对应的最优数。但是，它几乎是不可能的，自然地构建一个自适应凝聚的层次聚类结构，使用的尝试和验证策略。甚至可能的是，现有的不同有效性指标也导致不同数量的聚类。为了有效地缓解问题，而凸聚类的动机，在本文中，我们提出了一个质心自动融合层次模糊c-均值方法（CAF-HFCM）的优化过程可以自动凝聚，形成一个集群层次，更重要的是，产生一个最佳的集群数量，而不诉诸任何有效性指标。虽然最近提出的鲁棒学习模糊c均值算法（RL-FCM）也可以自动获得最佳聚类数，而不需要任何有效性指标，但涉及到的3个超参数需要进行昂贵的调整，相反，我们的CAF-HFCM只涉及到1个超参数，使得相应的调整相对容易，更具操作性。此外，作为我们的优化目标的一个额外的好处，CAF-HFCM有效地降低了聚类性能的初始化的敏感性。此外，我们提出的CAF-HFCM方法能够直接扩展到各种变体的FCM。
2020-04-27 cs.LG stat.ML
Rule-based Evolving Fuzzy System for Time Series Forecasting: New Perspectives Based on Type-2 Fuzzy Sets Measures Approach
Federal University of Juiz de Fora（茹伊斯迪福拉联邦大学）
本文提出结合参与式学习、核递归最小二乘与二型模糊逻辑的 ePL-KRLS-FSM+ 模型，通过构建和度量二型模糊集提升混沌时间序列预测精度，并在 Mackey-Glass 和 TAIEX 数据集上以更低误差和更少规则优于现有方法。
2025-02-05 cs.LG stat.ML
Fuzzy-aware Loss for Source-free Domain Adaptation in Visual Emotion Recognition
The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong（香港中文大学）
针对视觉情感识别无源域适应中模糊情感标签和模糊伪标签问题，提出模糊感知损失（FAL）调整非预测类别损失，理论证明其鲁棒性，并在26个子任务上验证有效性。
2025-01-26 cs.CV cs.LG
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
Fuzzy c-Means Clustering for Persistence Diagrams
University of Southampton（南安普顿大学）；University of Oxford（牛津大学）；Harvard University（哈佛大学）；University of Warwick（华威大学）
持久性图简洁地表示了点云的拓扑结构，同时具有强大的理论保证，但如何将这些信息最好地集成到机器学习工作流程中的问题仍然是开放的。在本文中，我们扩展了无处不在的模糊c均值（FCM）聚类算法的持久性图的空间，使无监督学习，自动捕获的拓扑结构的数据，而无需拓扑先验知识或额外的处理持久性图，许多其他技术需要。我们给出了理论上的收敛保证，对应于欧几里德的情况下，并实证证明我们的算法捕捉拓扑信息，通过模糊RAND指数的能力。最后，我们在两个数据集上进行了实验，这些数据集利用了我们算法的拓扑和模糊性质：机器学习中的预训练模型选择和材料科学中的晶格结构。由于预先训练的模型可以在多个任务上表现良好，因此选择最佳模型是一个自然模糊的问题;我们证明了模糊聚类持久性图允许使用决策边界的拓扑结构进行模型选择。在材料科学中，我们首次对转换后的晶格结构数据集进行分类，而概率隶属度值使我们能够在进一步研究需要昂贵的实验室时间和专业知识的情况下对候选晶格进行排名。
2021-02-15 cs.LG stat.ML
Phenotyping OSA: a time series analysis using fuzzy clustering and persistent homology
University of Alberta（阿尔伯塔大学）
睡眠呼吸暂停是一种对儿童有严重后果的疾病。最近有人担心，使用呼吸暂停低通气指数的传统诊断可能无法有效地捕捉其多方面的结果。在这项工作中，我们采取了第一步，在解决这个问题的表型患者使用聚类分析的气流时间序列。这是接近三种方式：使用基于特征的模糊聚类在时域和频域，并使用持久的同源性从拓扑的角度来研究信号。模糊聚类分析的一种新的方式，使用狄利克雷回归分析，而拓扑方法利用Takens嵌入定理来研究信号的周期性特性。
2021-04-27 cs.LG q-bio.QM stat.ML
FuRL: Visual-Language Models as Fuzzy Rewards for Reinforcement Learning
McGill University（麦吉尔大学）；Horizon Robotics
本文研究利用预训练视觉-语言模型作为在线强化学习中的奖励，针对稀疏奖励任务中的奖励不对齐问题，提出轻量级微调方法FuRL，通过微调VLM表征与接力RL提升基线智能体性能，并在Meta-world基准上验证了有效性。
2024-06-05 cs.AI cs.CV cs.LG
Fuzzy Logic Visual Network (FLVN): A neuro-symbolic approach for visual features matching
Politecnico di Torino（都灵理工大学）
提出模糊逻辑视觉网络（FLVN），通过在Logic Tensor Networks框架中融合类层次结构先验与高层归纳偏置学习视觉-语义嵌入，有效防止过拟合并提升了零样本学习分类性能。
2023-07-29 cs.CV cs.LG cs.LO
Fuzzy soft rough K-Means clustering approach for gene expression data
Periyar University（佩里亚尔大学）
聚类是医学诊断中广泛使用的数据采掘技术之一。聚类可以被认为是最重要的无监督学习技术。大多数聚类方法基于距离对数据进行分组，很少有基于相似性的聚类方法。聚类算法将基因表达数据分类成簇，并且以有效的方式将功能相关的基因分组在一起。分组被构造成使得同一集群的成员之间的关系程度强，而不同集群的成员之间的关系程度弱。在这项工作中，我们专注于具有相似的表达模式的基因之间的相似性关系，以便从所提出的模糊软粗糙K-均值算法可以做出相应的和简单的分析决策。该算法是基于模糊软集和粗糙集理论的。比较分析所提出的工作与基准算法，如K-Means和粗糙K-Means和效率的所提出的算法在这项工作中说明了使用各种聚类有效性措施，如DB指数和谢贝尼指数。
2012-12-21 cs.CE cs.LG
Fuzzy c-Shape: A new algorithm for clustering finite time series waveforms
University of Melbourne（墨尔本大学）
在许多应用中存在大量的时间序列数据，这促使数据挖掘人员研究专门的方法来挖掘时间序列数据。聚类是一种流行的数据采掘方法，由于其强大的探索性质和其有用的预处理步骤，为其他数据采掘技术。本文开发了两个新的聚类算法的时间序列数据，是一个清晰的c形算法的扩展。这两个新算法是模糊c-均值（FCM）的启发式衍生物。模糊c-square plus（FCS+）用基于形状的距离函数代替FCM模型中的内积范数。模糊C-均值双加（FCS++）使用基于形状的距离，也取代FCM聚类中心与形状提取的原型。在48个实时的序列数据集上的数值实验表明，这两种新算法在精度和效率方面都优于现有的基于形状的聚类算法.四个外部聚类有效性指标（兰德指数，调整后的兰德指数，变异的信息，和归一化互信息）被用来匹配候选分区所产生的每一个研究的算法。所有四个指标都认为，对于这些有限的波形数据集，FCS++给出了一个小的改进FCS+，反过来，FCS+是优于原来的清晰的c形方法。最后，我们应用两个测试的统计意义的三个算法。Wilcoxon和Friedman统计量都以与四个聚类有效性指数完全相同的方式对三种算法进行排名。
2016-08-03 cs.LG
MaxMin Linear Initialization for Fuzzy C-Means
Université de Lyon（里昂大学）；ERIC EA 3083；ArAr UMR 5138
聚类是数据科学中一个广泛的研究领域。聚类的目的是发现组并识别数据集中有趣的模式。Crisp（硬）聚类认为每个数据点属于一个且仅属于一个聚类。然而，它是不够的，因为一些数据点可能属于几个聚类，就像文本分类中的情况一样。因此，我们需要更灵活的集群。模糊聚类方法，其中每个数据点可以属于几个集群，是一个有趣的替代方案。然而，播种迭代模糊算法，以实现高质量的聚类是一个问题。本文提出了一种新的线性有效的初始化算法MaxMinLinear来处理这个问题。然后，我们通过对各种数值真实世界和人工数据集的广泛实验来验证我们的理论结果。我们还测试了几个有效性指标，包括我们提出的一个新的有效性指标，转换标准化模糊差（TSFD）。
2018-08-01 cs.DB cs.LG stat.ML
Bounded Fuzzy Possibilistic Method
Wroclaw University of Science and Technology（弗罗茨瓦夫科技大学）；Climax Data Pattern（Climax数据模式公司）
本文介绍了有界模糊可能性方法（BFPM），解决以前的聚类/分类方法没有考虑的几个问题。在模糊聚类中，对象的隶属度值之和应等于1。因此，任何对象都可以在最多一个集群中获得完全成员资格。可能性聚类方法消除了这一限制。然而，BFPM不同于以前的模糊和可能性聚类方法，允许的隶属函数采取较大的值相对于所有集群。此外，在BFPM中，数据对象可以在多个集群甚至所有集群中具有完全成员资格。BFPM放宽了成员分配的边界条件（限制）。所提出的方法满足了获得正式成员资格的必要性，并克服了传统方法在处理重叠问题上的问题。本文还提出了分析对象从自己的类到另一个类的运动（突变）。BFPM已经在几何学、集合论、异常检测、风险管理、疾病诊断等学科中得到了广泛的应用。有效性和比较指标也被用来评估BFPM的准确性。从精度、模糊化常数（不同范数）、目标运动分析和覆盖多样性等方面对BFPM进行了评价。有希望的结果证明了在学习方法中考虑所提出的方法来跟踪数据对象的行为的重要性，除了获得准确的结果。
2019-02-08 cs.AI cs.LG stat.ML
The Learning of Fuzzy Cognitive Maps With Noisy Data: A Rapid and Robust Learning Method With Maximum Entropy
Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）
许多模糊认知图（FCM）的学习方法，如基于Hebbian和基于种群的学习方法，已被开发用于建模和仿真动态系统。然而，这些方法面临着几个明显的局限性。这些模型中的大多数在学习具有数百个节点的大规模FCM时非常耗时。此外，这些算法学习的FCM缺乏鲁棒性时，实验数据包含噪声。此外，在这些算法中，很少考虑合理的权重分布，这可能会导致所得到的FCM的性能降低。在这篇文章中，提出了一种简单，快速，鲁棒的学习方法来学习模糊控制模型从噪声数据，特别是，学习大规模的模糊控制模型。该算法的关键是将模糊C均值算法的学习问题等价地转化为经典约束凸优化问题，其中最小二乘项保证了学习好的模糊C均值算法的鲁棒性，最大熵项规范了学习好的模糊C均值算法的权值分布。一系列的实验，涵盖两个常用的激活函数（sigmoid和双曲正切函数）进行的合成数据集与噪声和现实世界的数据集。实验结果表明，该方法对含有噪声的数据具有快速鲁棒性，且学习后的权值分布更均匀。此外，所提出的方法学习的FCM也表现出优越的性能相比，现有的方法。索引术语-模糊认知图（FCM），最大熵，噪声数据，快速和强大的学习。
2019-08-22 cs.LG stat.ML
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
Implementation of Fuzzy C-Means and Possibilistic C-Means Clustering Algorithms, Cluster Tendency Analysis and Cluster Validation
International University of Business Agriculture and Technology（国际商业农业与技术大学）；Mississippi State University（密西西比州立大学）；Rajshahi College（拉杰沙希学院）
在本文中，几个二维聚类方案。在这些情况下，软分区聚类算法（模糊C均值（FCM）和可能性C均值（PCM））的应用。然后，使用VAT可视化地调查聚类趋势，然后按照检查聚类有效性的顺序，使用三种类型的指标（例如，PC、DI和DBI）。在观察聚类算法之后，很明显，它们中的每一个都有其局限性;然而，PCM比FCM对噪声更鲁棒，因为在FCM的情况下，噪声点必须被视为任何聚类的成员。
2019-05-12 cs.CV cs.LG
ck-means, a novel unsupervised learning method that combines fuzzy and crispy clustering methods to extract intersecting data
聚类数据是无监督机器学习领域的一个流行特征。大多数算法的目标是找到最好的方法来提取一致的数据集群，但很少有人打算聚类数据，共享两个或更多的功能之间的相同的交集。本文提出了一种方法来做到这一点。这种新方法的主要思想是使用模糊C均值（FCM）算法生成模糊聚类的数据。第二部分涉及应用一个筛选器，该筛选器选择一系列最小和最大成员资格值，并强调边界数据。μ参数定义此范围的幅度。最后，它使用FCM生成的隶属度值应用k-means算法。自然地，具有相似成员值的数据将在新的脆簇中重新分组。该算法还能够找到最佳数量的聚类的FCM和k-means算法，根据一致性的聚类的轮廓指数（SI）。结果是一个数据和聚类的列表，这些数据和聚类对共享同一交集（与两个或多个要素相交）的数据共享进行重组。CK-均值允许提取不自然地落入相同聚类中而是在两个聚类或更多聚类的交叉处的非常相似的数据。该算法也总是发现自己的最佳数量的集群。
2022-06-17 cs.LG
Ontology-Based Knowledge Modeling and Uncertainty-Aware Outdoor Air Quality Assessment Using Weighted Interval Type-2 Fuzzy Logic
Department of Information Technology, Indian Institute of Information Technology Allahabad Prayagraj, India（信息技术部，印度阿拉哈巴德普拉亚杰印度理工学院）
本文提出一种结合本体知识建模和加权区间型2模糊逻辑的混合框架，用于提高户外空气质量评估的可靠性与不确定性处理能力，同时支持可解释的语义推理和智能决策支持。
2026-03-20 cs.LG
Distributed dual vigilance fuzzy adaptive resonance theory learns online, retrieves arbitrarily-shaped clusters, and mitigates order dependence
Missouri University of Science and Technology（密苏里科技大学）
提出了一种新的基于自适应共振理论（ART）的无监督学习模块化结构，即分布式双警戒模糊ART（DDVFA）。DDVFA由一个全局ART系统组成，其节点是局部模糊ART模块。它配备了分布式高阶激活和匹配功能的显着特点，使用双警戒参数负责聚类相似性和数据量化。总之，这些允许DDVFA执行无监督的模块化，创建多原型聚类表示，检索任意形状的集群，并控制其紧凑性。另一个重要的贡献是减少了顺序依赖，这是一个影响任何凝聚聚类方法的问题。本文演示了两种方法来减轻订单依赖：预处理使用聚类趋势的视觉评估（VAT）或后处理使用一种新的合并ART模块。前者适用于批处理，后者适用于在线学习。在30个基准数据集上进行的在线学习模式下的实验结果表明，当样本随机呈现时，DDVFA与Merge ART级联在统计上优于其他基于ART的系统。相反，当使用VAT预处理样本时，发现它们在离线模式下具有统计学等效性。值得注意的是，性能比较非ART为基础的聚类算法表明，DDVFA（增量学习）也是统计等效的非增量（离线）方法DBSCAN，单链接层次凝聚聚类（HAC），和k均值，同时保留吸引人的属性ART。链接到源代码和数据提供。考虑到算法的简单性，在线学习能力和性能，它是许多凝聚聚类应用的理想选择。
2018-11-28 cs.LG cs.NE stat.ML
UMAP Is Spectral Clustering on the Fuzzy Nearest-Neighbor Graph
Frazer Institute, Faculty of Health, Medicine and Behavioural Sciences, The University of Queensland（弗拉泽研究所，健康、医学与行为科学学院，昆士兰大学）
本文证明UMAP在模糊最近邻图上执行谱聚类，将UMAP、对比学习和谱聚类统一于一个理论框架。
2026-02-12 cs.LG
A Scoping Review of Deep Learning for Urban Visual Pollution and Proposal of a Real-Time Monitoring Framework with a Visual Pollution Index
本文综述了深度学习在城市视觉污染检测中的应用，提出了一种整合视觉污染指数的实时监控框架，旨在提升城市美学和居民福祉。
2026-02-10 cs.CV cs.LG
