Software Effort Estimation using Neuro Fuzzy Inference System: Past and Present
Delhi Technological University（德里理工大学）；Dehradun Institute of Technology（德拉敦理工学院）
项目失败的最重要原因是工作量估计不足。软件开发工作量估计需要分配适当的团队成员进行开发，分配软件开发资源，绑定等。不准确的软件估计可能会导致项目延迟，超出预算或取消项目。但是，努力估计模型不是很有效。在本文中，我们正在分析的新方法，即神经模糊推理系统（NFIS）的估计。它是一种将人工神经网络与模糊逻辑相结合的混合模型。
2019-12-26 cs.LG cs.SE
Design of an Electro-Hydraulic System Using Neuro-Fuzzy Techniques
对性能和质量的日益增长的需求使驱动系统成为工业过程逐步自动化的基础部分。如果需要精确和快速的性能，它们的常规模型变得不合适并且范围有限。因此，重要的是将学习能力融入驱动系统，以提高其实时准确性，成为具有一定智能程度的自主智能体。为了研究这一挑战，本章提出了一个学习控制系统的发展，使用神经模糊技术的跟踪控制器的设计实验电液致动器。本章首先介绍了执行器的神经模糊建模过程。介绍了学习算法，描述了实验系统，给出了建模步骤，包括执行器代表变量的选择、训练和测试数据集的获取、执行器神经模糊逆模型的获取。在本章的第二部分中，我们使用提取的神经模糊模型和它的学习能力，设计基于反馈误差学习技术的执行器位置控制器。通过一组实验结果，我们展示了控制器的泛化性能，它的学习能力，在实时实现的初始神经模糊逆模型，其补偿行动，提高电液跟踪性能。
2000-09-30 cs.LG cs.RO
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
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
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
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
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
Saving RNN Computations with a Neuron-Level Fuzzy Memoization Scheme
Universitat Politecnica de Catalunya（加泰罗尼亚理工大学）
递归神经网络（RNN）是自动语音识别或机器翻译等应用的关键技术。与传统的前馈DNN不同，RNN记住过去的信息以提高未来预测的准确性，因此它们对于序列处理问题非常有效。对于每个应用程序运行，递归层被执行多次，以处理潜在的大输入序列（单词，图像，音频帧等）。在本文中，我们观察到神经元的输出在连续调用中表现出微小的变化。我们利用这个属性来建立一个神经元级的模糊记忆计划，动态缓存每个神经元的输出，并重用它，每当它被预测，当前的输出将类似于以前计算的结果，避免以这种方式的输出计算。该方案的主要挑战是确定新神经元对序列中当前输入的输出是否与最近计算的结果相似。为此，我们用一个更简单的逐位神经网络（BNN）扩展了递归层，并证明了BNN和RNN的输出是高度相关的：如果两个BNN的输出非常相似，那么原始RNN层中相应的输出可能会出现可以忽略不计的变化。BNN提供了一种低成本和有效的机制，用于决定何时可以应用模糊记忆，对精度的影响很小。我们在最先进的RNN加速器上评估我们的记忆方案，用于来自多个应用领域的各种不同的神经网络。我们表明，我们的技术避免了超过26.7\%的计算，从而节省了21\%的能源和1.4倍的加速平均。
2022-02-14 cs.AR cs.LG cs.NE
Comparative Analysis of Single and Hybrid Neuro-Fuzzy-Based Models for an Industrial Heating Ventilation and Air Conditioning Control System
Institute of advanced studies（高级研究院）；Alba Regia Technical Faculty（阿尔巴雷吉亚技术学院）；Obuda University（欧布达大学）；University of Pannonia（潘诺尼亚大学）；J. Selye University（赛利耶大学）；Bauhaus Universität Weimar（魏玛包豪斯大学）
将机器学习方法与软计算技术相结合是提高预测模型性能的重要途径。特别是混合机器学习模型在高性能控制系统的发展中得到了普及。暖通空调系统控制回路中火用损和能耗的预测模型具有较高的精度和性能，在工业规模上具有很高的经济性和节能性。本研究提出了两种混合模型的自适应神经模糊推理系统粒子群优化（ANFIS-PSO），自适应神经模糊推理系统遗传算法（ANFIS-GA）的暖通空调。并与单一ANFIS模型的结果进行了比较。ANFIS-PSO模型的RMSE为0.0065，MAE为0.0028，R2为0.9999，最小偏差为0.0691（KJ/s），优于ANFIS-GA和单一ANFIS模型。
2020-02-22 cs.LG eess.SP
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
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
Evolving Tsukamoto Neuro Fuzzy Model for Multiclass Covid 19 Classification with Chest X Ray Images
University of Washington（华盛顿大学）；Institute of Systems Biology（系统生物学研究所）；Islamic Azad University（伊斯兰阿扎德大学）；Rush Medical College（拉什医学院）
本文提出一种基于演化Cat swarm算法优化Tsukamoto神经模糊推理网络的机器学习框架，利用胸部X射线图像的六种纹理特征检测Covid-19，实现了98.51%的准确率。
2023-05-17 cs.LG cs.NE eess.IV
Explainable Neuro-Fuzzy Prediction for Trustworthy Decision-Making in Maritime
University of Thessaly（色萨利大学）
本文提出一个结合神经模糊预测与两阶段可解释组件的通用框架，在多个基准数据集上实现高达99%的AUC-ROC，并支持特征级和规则级解释，提升海事决策的可信度。
2026-09-22 cs.LG
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
An FPGA-Based Neuro-Fuzzy Sensor for Personalized Driving Assistance
University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU）
提出一种基于FPGA的神经模糊传感器用于驾驶风格识别，利用SHRP2自然驾驶数据在Xilinx Zynq上实现，能个性化调整ACC的THW参数，以0.53微秒性能满足尖端主动ADAS实时要求。
2025-01-27 cs.LG cs.RO
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
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
Optimizing Neuro-Fuzzy and Colonial Competition Algorithms for Skin Cancer Diagnosis in Dermatoscopic Images
The University of Tulsa（塔尔萨大学）
本研究融合图像处理、神经模糊和殖民竞争算法，在ISIC数据库的560张皮肤镜图像上实现94%准确率，旨在辅助临床早期黑色素瘤检测。
2026-06-02 cs.CV 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
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
Modeling Climate Change Impact on Wind Power Resources Using Adaptive Neuro-Fuzzy Inference System
Institute of Research and Development, Duy Tan University（大越大学研究与发展学院）；Obuda University（欧布达大学）；Oxford Brookes University（牛津布鲁克斯大学）；Ton Duc Thang University（同塔大学）；Hong Kong Polytechnic University（香港理工大学）
气候变化的影响和适应是吸引许多研究人员注意的持续问题的主题。深入了解一个地区的风力发电潜力及其可能的变化，由于气候变化的影响，可以提供有用的信息，能源政策制定者和战略家的可持续发展和管理的能源。在这项研究中，风力发电机轮毂高度的空间变化和未来气候情景下的可变性被考虑。采用ANFIS后处理技术，将区域气候模式的输出功率与参考资料的输出功率进行匹配。利用区域气候模式获得的近地面风场资料，研究了气候变化对里海风能资源的影响。在将近地表风速转换为涡轮机轮毂高度速度并计算风功率密度之后，对结果进行了研究，以揭示当前（1981-2000）和未来（2081- 2100）20年期间的平均年功率、季节和月变率。这项研究的结果表明，里海中部和北部地区的风力发电量最高。然而，使用自适应神经模糊推理系统（ANFIS）模型的后处理技术的结果表明，该地区的风力发电的实际潜力低于从区域气候模式预测。
2020-01-09 cs.LG physics.ao-ph stat.ML
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
Adaptive Neuro-Fuzzy Inference System and a Multilayer Perceptron Model Trained with Grey Wolf Optimizer for Predicting Solar Diffuse Fraction
Kalman Kando Faculty of Electrical Engineering, Obuda University（欧布达大学卡尔曼·坎多电气工程学院）；John von Neumann Faculty of Informatics, Obuda University（欧布达大学约翰·冯·诺依曼信息学院）
太阳散射比（DF）的准确预测是太阳能研究的一个重要课题。在本研究中，漫辐射研究的现状进行了讨论，然后三个强大的，机器学习（ML）模型，检查使用一个大的数据集（近8年）从西班牙阿尔梅里亚每小时的读数。本文使用的ML模型是混合的基于自适应网络的模糊推理系统（ANFIS）、单个多层感知器（MLP）和混合的多层感知器-灰狼优化器（MLP-GWO）。这些模型的预测精度进行了评估，使用各种太阳能和漫射分数（DF）辐照度数据，从西班牙。然后使用两个常用的评价标准，平均绝对误差（MAE）和均方根误差（RMSE）对结果进行评价。结果表明，MLP-GWO模型，其次是ANFIS模型，提供了更高的性能，在培训和测试过程中。
2020-09-13 cs.LG eess.SP
An adaptive neuro-fuzzy model for attitude estimation and 2 control a 3 DOF system
Shenyang Sport University（沈阳体育学院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）；Northeastern University（东北大学）
近几十年来，科学家们的主要关注点之一是提高卫星姿态的精度，而不考虑费用。显而易见的结果是，大量的控制策略已被用来解决这个问题。本文提出了一种自适应神经模糊集成（ANFIS）卫星姿态估计与控制系统。该控制器的训练与最优控制器提供的数据。脉冲调制器用于产生正确的ON/OFF指令的推力器执行机构。为了评估AN-FIS控制器在闭环仿真中的性能，使用ANFIS观测器来利用磁强计、太阳敏感器和数据陀螺仪数据估计卫星的姿态和角速度。此外，一个新的ANFIS系统将被提出和评估，可以联合控制和估计系统。在不同的初始条件，干扰和噪声的Monte Carlo仿真的ANFIS控制器的性能进行了比较，最优PID控制器。结果表明，ANFIS控制器在时间和平滑性方面优于最优PID控制器。此外，ANFIS估计进行了检查，结果表明，该指定的观察员的高能力。考虑到ANFIS的高容量，通过单个ANFIS子系统模拟控制和估计阶段，并展示了使用ANFIS模型的结果。
2022-02-22 cs.LG cs.SY eess.SY
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
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
Emotional Video to Audio Transformation Using Deep Recurrent Neural Networks and a Neuro-Fuzzy System
School of Electronics Engineering, Kyungpook National University（庆北国立大学电子工程学院）
生成具有与输入视频的情感类似的情感的音乐是当今非常相关的问题。视频内容创作者和自动电影导演受益于保持他们的观众参与，这可以通过制作引发他们更强烈情感的新颖材料来促进。此外，目前需要更多的同情计算机来帮助人类应用，例如增强视觉和/或听力受损的人的感知能力。当前的方法在音乐生成步骤中忽略了视频的情感特征，仅考虑静态图像而不是视频，不能生成新颖的音乐，并且需要高水平的人力和技能。在这项研究中，我们提出了一种新的混合深度神经网络，它使用自适应神经模糊推理系统来预测视频的视觉特征和深度长短期记忆递归神经网络来生成具有类似情感暗示的相应音频信号。前者是能够适当地建模情感，由于其模糊属性，后者是能够建模数据的动态时间属性以及由于先前的隐藏状态信息的可用性。我们提出的方法的新颖性在于提取视觉情感特征，以便将它们转换为音频信号与相应的情感方面的用户。定量实验表明，林赛和DEAP数据集的平均绝对误差分别为0.217和0.255，并且在谱图中具有相似的全局特征。这表明我们的模型能够适当地执行视觉和音频特征之间的域转换。根据实验结果，我们的模型可以有效地生成与两个数据集中的观众产生类似情绪的场景相匹配的音频，并且我们的模型生成的音乐也更经常被选择。
2020-04-05 cs.CV cs.LG cs.SD
Modeling Implicit Bias with Fuzzy Cognitive Maps
Tilburg University（蒂尔堡大学）；Eindhoven University of Technology（埃因霍温理工大学）；Hasselt University（哈瑟尔特大学）；Central University of Las Villas（拉斯维亚斯中央大学）；São Paulo State University（圣保罗州立大学）
本文提出了一个模糊认知图模型来量化结构化数据集的隐式偏差，其中特征可以是数字或离散的。在我们的建议中，问题特征被映射到神经概念，这些神经概念在运行假设模拟时最初由专家激活，而连接神经概念的权重表示特征之间的绝对相关/关联模式。此外，我们引入了一个新的推理机制，配备了一个规范化的传递函数，防止神经元饱和。这种新的推理机制的另一个优点是，它可以很容易地控制在每次迭代时更新神经元的激活值时，通过调节非线性。最后，我们研究了模型的收敛性，并给出了不动点吸引子存在唯一性的解析条件。
2022-01-13 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
Differentiable Fuzzy Neural Networks for Recommender Systems
Graz University of Technology（格拉茨技术大学）
本文提出将可微模糊神经网络用于推荐系统，在人类可读原子上学习模糊逻辑规则，在保持竞争性能的同时实现透明的决策过程，并支持与其他神经模型集成构建混合透明推荐系统。
2025-05-09 cs.LG
General Backpropagation Algorithm for Training Second-order Neural Networks
人工神经网络是机器学习中的一个流行框架。为了增强单个神经元的能力，我们最近建议将当前类型的神经元升级为二阶神经元，其中神经元输入和相关权重之间的线性运算被非线性二次运算取代。单个二阶神经元已经具有很强的非线性建模能力，例如实现基本的模糊逻辑运算。在本文中，我们开发了一个通用的反向传播（BP）算法，训练的网络由二阶神经元。最后通过数值实验验证了广义BP算法的有效性.
2017-08-17 cs.LG stat.ML
Revisit Fuzzy Neural Network: Demystifying Batch Normalization and ReLU with Generalized Hamming Network
Nokia Technologies（诺基亚技术）
我们重新审视模糊神经网络与广义汉明距离的基石概念，它提供了一个新的和理论上合理的框架，重新解释许多有用的神经网络技术方面的模糊逻辑。特别是，我们推测和经验表明，著名的批量归一化（BN）技术实际上适应的归一化偏差，使其近似的公正的偏见引起的广义汉明距离。一旦在分析上强制执行了应有的偏差，就不需要对偏差项进行优化，也不需要复杂的批量归一化。同样根据广义汉明距离，流行的校正线性单元（ReLU）可以被视为在网络输入和权重之间设置最小汉明距离阈值。一方面，这种阈值方案可以通过在神经元输出的两个极端上引入双阈值来改进。另一方面，ReLU被证明是不必要的，可以从为MNIST分类等简单任务训练的网络中删除。所提出的广义海明网络（GHN）不仅适合在模糊逻辑理论中进行严格的分析和解释，而且还在各种学习任务上表现出快速的学习速度、良好的控制行为和最先进的性能。
2017-10-27 cs.LG stat.ML
SoftTri: Smooth Triangular Membership Functions for Adaptive Fuzzy Inference Systems
Ferdowsi University of Mashhad（马什哈德菲尔多西大学）
针对三角形隶属函数不可微导致梯度优化受限的问题，提出SoftTri可微三角形隶属函数，保留几何结构并实现C∞光滑，集成于TS模糊神经网络，在多个基准上提升优化稳定性和逼近精度。
2026-09-18 cs.AI cs.LG
Optimisation in Neurosymbolic Learning Systems
本文研究神经符号学习系统中符号知识与神经网络的有效结合方式，涵盖模糊推理与概率推理，并提出基于模糊推理的新网络层及利用合成数据扩展概率神经符号学习的方法。
2024-01-19 cs.AI cs.LG
An in-depth comparison of methods handling mixed-attribute data for general fuzzy min-max neural network
University of Technology Sydney（悉尼科技大学）
广义模糊最小最大（GFMM）神经网络是一类有效的神经模糊系统。然而，目前大多数GFMM的学习算法的缺点是它们只能有效地处理数值特征。因此，本文提供了一些潜在的方法来适应GFMM学习算法的分类问题的混合类型或只有分类功能，因为它们是非常常见的在实际应用中，往往携带非常有用的信息。我们将比较和评估处理具有混合特征的数据集的三种主要方法，包括使用编码方法，将GFMM模型与其他分类器相结合，以及为两种类型的特征采用特定的学习算法。实验结果表明，Target和James-Stein是适合GFMM模型学习算法的分类编码方法，而GFMM神经网络和决策树的结合是提高GFMM模型在混合特征数据集上分类性能的一种灵活方法。具有混合类型特征能力的学习算法是以自然的方式处理混合属性数据的潜在方法，但它们需要进一步改进才能达到更好的分类准确率。在分析的基础上，我们还确定了不同方法的优缺点，并提出了潜在的研究方向。
2020-09-01 cs.LG stat.ML
A Bio-Inspired Chaos Sensor Model Based on the Perceptron Neural Network: Machine Learning Concept and Application for Computational Neuro-Science
Institute of Physics and Technology, Petrozavodsk State University（彼得罗扎沃茨克国立大学物理与技术学院）
本文提出基于感知器神经网络的仿生混沌传感器，用以估计神经脉冲序列的模糊熵，并通过Hindmarsh-Rose数据验证其精度与生物信号应用价值。
2023-08-15 cs.AI cs.LG cs.NE
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
Towards Bloodless Potassium Measurement from ECG using Neuro-Fuzzy Systems
Jundi-Shapur University of Technology（君迪沙普尔理工大学）
本文提出一种基于心电图和神经模糊系统（FCM-ANFIS）的无创血钾测量方法，通过特征选择与分类，实现对低钾和高钾血症的准确检测，减少心脏事件风险。
2023-12-28 cs.LG eess.SP
Similarity networks for classification: a case study in the Horse Colic problem
Technical University of Catalonia（加泰罗尼亚理工大学）；University of the Basque Country（巴斯克大学）
本文提出了一种两层神经网络，其中神经元模型计算用户定义的输入和权重之间的相似性函数。神经元传递函数是由一个适应的逻辑函数与部分输入权重相似性的平均值的组合物形成的。由此产生的神经元模型能够直接处理潜在不同性质的变量（连续，模糊，有序，分类）。还规定了缺失值。该网络使用与用于训练径向基函数（RBF）神经网络的过程非常类似的两阶段过程来训练。该网络相比，两种类型的RBF网络在一个非平凡的数据集：马绞痛问题，作为一个案例研究和详细分析。
2014-03-18 cs.LG cs.NE
Forecasting Solar Activity with Two Computational Intelligence Models (A Comparative Study)
太阳活动准确预测太阳活动至关重要，以减少在大规模高强度太阳爆发时对电子设备造成的可能损害。最近，我们提出了BELFIS（基于大脑情感学习的模糊推理系统）作为混沌系统预测的工具。BELFIS的结构是根据恐惧条件反射的神经结构设计的。通过将自适应网络分配给BELFIS结构的组件来实现BELFIS的功能。本文特别关注的性能评估的BELFIS作为一个预测器，预测太阳周期16至24。BELFIS的性能进行了比较与其他计算模型用于此目的，特别是与自适应神经模糊推理系统（ANFIS）。
2020-05-17 cs.AI cs.LG cs.NE
Architectural change in neural networks using fuzzy vertex pooling
Department of General Science, Birla Institute of Technology and Science Pilani, International Academic City（一般科学系，比拉理工学院和科学学院，国际学术城）；Department of Mathematics, Providence Women’s College, Calicut, India（数学系，普罗维登斯女子学院，卡利卡特，印度）；Department of Mathematics, National Institute of Technology, Calicut, India（数学系，国家理工学院，卡利卡特，印度）
本文提出模糊顶点池化（FVP）的形式化框架，展示其在神经网络早期训练中能快速降低损失并保持准确率，但指出该方法在长周期或大规模场景下性能下降，建议仅用于早期训练阶段。
2025-09-19 cs.LG
Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks
IBM Research（IBM研究院）
神经符号归纳逻辑程序设计的最新工作已经导致了有前途的方法，可以从嘈杂的，真实世界的数据中学习解释规则。虽然一些建议近似的逻辑运算符与可微运算符从模糊或实值逻辑是无参数的，从而减少了他们的能力，以适应数据，其他方法只是松散的逻辑，使其难以解释学习的“规则”。在本文中，我们提出了学习规则与最近提出的逻辑神经网络（LNN）。与其他神经网络相比，LNN提供了与经典布尔逻辑的强连接，从而允许精确解释学习的规则，同时包含可以使用基于梯度的优化来训练的参数，以有效地拟合数据。我们将LNN扩展到一阶逻辑中的归纳规则。我们对标准基准测试任务的实验证实，LNN规则具有高度的可解释性，并且由于其灵活的参数化，可以达到相当或更高的精度。
2021-12-06 cs.AI cs.LG cs.LO
Semantic Strengthening of Neuro-Symbolic Learning
最近提出了许多神经符号方法，其目标通常是将符号知识添加到神经网络的输出层。理想情况下，这种损失最大化了神经网络的预测满足基础域的概率。不幸的是，这种类型的概率推理通常在计算上是不可行的。因此，神经符号的方法通常诉诸于模糊近似的概率目标，牺牲声音的概率语义，或采样是很少可行的。我们首先假设约束分解以网络学习的特征为条件来处理这个问题。我们迭代地加强我们的近似，恢复之间的依赖关系的约束最负责降低近似的质量。这对应于计算以网络的学习特征为条件的约束对之间的互信息，并且可以被解释为两个分布的梯度对齐程度的度量。我们将展示如何有效地计算易处理的电路。我们在三个任务上测试我们的方法：预测魔兽争霸中的最小成本路径，预测最小成本完美匹配，以及解决数独难题，观察到它在基线上有所改进，同时避开了棘手问题。
2023-02-28 cs.AI cs.LG
