Reverse Engineering and Symbolic Knowledge Extraction on Łukasiewicz Fuzzy Logics using Linear Neural Networks
Departamento de Matemática（数学系）；Instituto Superior de Engenharia de Lisboa（里斯本高等工程学院）
这项工作描述了一种方法，结合逻辑为基础的系统和连接系统。我们的方法使用了有限真值逻辑，在这种逻辑中，我们利用了这样一个事实，即在这种类型的逻辑中，每个连接符都可以由人工网络中的神经元定义，该神经元具有由激活函数截断为零和一的身份。这允许在网络架构中注入一阶公式，也简化了符号规则提取。我们的方法使用Levenderg-Marquardt算法训练神经网络，其中我们限制了网络结构中的知识传播。我们展示了这是如何降低神经网络的可塑性，而不会严重损害学习性能。使生成的神经网络的描述能力类似于Jukasiewicz逻辑语言的描述能力，简化符号和连接结构之间的转换。这种方法被用于逆向工程问题，寻找用于生成多值Rukasiewicz逻辑的真值表的公式。对于真实数据集的方法是特别有用的属性选择，对使用名义属性定义的二进制分类问题。在属性选择和可能的数据集完成后，在所得到的连接主义模型中：神经元可以直接用一个析取或合取公式表示，或者神经元是可以用符号规则近似的解释。这一事实是例证，提取符号知识从连接模型生成的数据集蘑菇从UCI机器学习知识库。
2016-04-11 cs.AI cs.NE
FMDNN: A Fuzzy-guided Multi-granular Deep Neural Network for Histopathological Image Classification
School of Information Science and Technology, Nantong University（南通大学信息科学与技术学院）；Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）；School of Computer Science and Technology, Nantong University（南通大学计算机科学与技术学院）；Centre for Artificial Intelligence, FEIT, University of Technology Sydney（悉尼科技大学工程与信息技术学院人工智能中心）
提出模糊引导多粒度深度神经网络（FMDNN），通过多粒度特征提取和模糊逻辑融合，提升组织病理学图像分类的准确性和可解释性。
2024-07-22 cs.AI cs.CV
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
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
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
PSO Fuzzy XGBoost Classifier Boosted with Neural Gas Features on EEG Signals in Emotion Recognition
Pars AI Company（Pars AI公司）
本文提出将神经气体网络、PSO与模糊逻辑集成到XGBoost中，用于脑电信号情绪识别，实验表明该方法在多数分类器上优于其他特征选择技术，显著提升了识别准确率。
2024-08-30 cs.LG cs.NE
Interpretable Dual-Filter Fuzzy Neural Networks for Affective Brain-Computer Interfaces
University of Technology Sydney（悉尼科技大学）；Australian AI Institute（澳大利亚人工智能研究所）；Henan University（河南大学）；Indian Statistical Institute（印度统计研究所）；Chinese Academy of Sciences（中国科学院）
本研究提出iFuzzyAffectDuo，一种基于双滤波模糊神经网络和拉普拉斯隶属函数的情感识别模型，在fNIRS和EEG数据集上提升了准确性与可解释性，推动了情感计算与人机交互发展。
2025-01-29 cs.AI cs.HC eess.SP
Machine Learning Distinguishes Neurosurgical Skill Levels in a Virtual Reality Tumor Resection Task
McGill University（麦吉尔大学）；Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工））；Islamic Azad University（伊斯兰阿扎德大学）
背景资料：虚拟现实模拟器和机器学习有可能增强对神经外科住院医师心理表现的理解、评估和培训。目的：这项研究概述了机器学习的第一个应用程序，以区分“熟练”和“新手”的心理表现在虚拟现实神经外科任务。研究方法：23名神经外科医生和高级神经外科住院医师组成“熟练”组，92名初级神经外科住院医师和医学生组成“新手”组。这项任务涉及在不对周围组织造成伤害的情况下切除一系列虚拟脑瘤。提取了100多个特征，并使用t检验分析选择了68个特征。这些特征被提供给4个分类器：K-最近邻、Parzen窗口、支持向量机和模糊K-最近邻。使用等错误率来评估分类器性能。结果如下：采用了训练集大小与测试集大小的比率从10%到90%，以及由前向特征选择算法选择的5到30个特征。50%的训练测试集大小比和15个功能的工作点，导致在一个相等的出错率低至8.3%，使用模糊K-最近邻分类器。结论：机器学习可能是帮助将传统学徒教育范式重新调整为基于经验证的绩效标准的更客观模型的一个组成部分。保留字：人工智能，分类器，机器学习，神经外科技能评估，外科教育，肿瘤切除，虚拟现实仿真
2018-11-20 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
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
Fuzzy Commitments Offer Insufficient Protection to Biometric Templates Produced by Deep Learning
University of Haifa（海法大学）
在这项工作中，我们研究了模糊承诺在应用于面部图像时提供的保护，这些图像由最先进的深度学习面部识别系统处理。我们表明，虽然这些系统能够产生很大的准确性，它们产生的模板太小的熵。因此，我们提出了一种重建攻击，采取一个受保护的模板，并重建一个面部图像。重建的人脸图像与原始图像非常相似。在最简单的攻击场景中，超过78%的重建模板成功解锁帐户（当系统配置为0.1% FAR时）。即使在“最困难”的设置中（我们从一个系统中获取重建图像，并在不同的系统中使用它，使用不同的特征提取过程），重建图像的成功率也比系统的FAR高50到120倍。
2020-12-24 cs.AI cs.CR
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
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
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
A Deep Neuro-Fuzzy Network for Image Classification
Xsensor Technology Corp（Xsensor科技公司）；University of Alberta（阿尔伯塔大学）
将神经网络和模糊系统结合成神经模糊系统，将模糊推理规则集成到连接器网络中。然而，现有的神经模糊系统是在具有较低泛化能力的浅层结构下开发的。我们提出了第一个端到端的深度神经模糊网络，并研究了其在图像分类中的应用。基于Takagi-Sugeno-Kang（TSK）模糊模型的定义，开发了两种新的操作，即模糊推理操作和模糊池操作;这些操作的堆栈构成该网络中的层。我们在MNIST、CIFAR-10和CIFAR-100数据集上对网络进行了评估，发现该网络在这些基准测试中具有合理的准确性。
2019-12-22 cs.CV cs.LG cs.NE
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
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
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
Torque Ripple Minimization in a Switched Reluctance Drive by Neuro-Fuzzy Compensation
开关磁阻电动机驱动电路简单、变换器具有容错能力是其独特的优点，但过大的转矩脉动限制了其在特殊场合的应用。众所周知，适当地控制电流形状可以使转矩脉动最小化。本文提出了一种新的方法，形成电机电流，以尽量减少转矩脉动，使用神经模糊补偿器。在所提出的方法中，补偿信号被添加到PI控制器的输出，在电流调节的速度控制回路。本文给出了数值结果，并分析了改变神经模糊补偿器的隶属函数形式的效果。
2000-09-30 cs.LG cs.RO
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
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
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
Gradient-Based Neuroplastic Adaptation for Concurrent Optimization of Neuro-Fuzzy Networks
Department of Analytics and Information Systems at Western Kentucky University（威斯康星大学西部分校分析与信息系统系）；Department of Computer Science at North Carolina State University（北卡罗来纳州立大学计算机科学系）
本文提出基于梯度的神经可塑适应方法，实现神经模糊网络参数与结构的联合优化，通过在线强化学习在DOOM游戏中展示有效性。
2026-01-23 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
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
Alternating Bi-Objective Optimization for Explainable Neuro-Fuzzy Systems
University of Birmingham（伯明翰大学）；Bilkent University（比尔肯特大学）；University of Turku（图尔库大学）
本文提出X-ANFIS方法，通过交替双目标梯度优化提升神经模糊系统的可解释性，在UCI回归数据集上验证了其在保持预测精度的同时实现目标区分性。
2026-02-22 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
A two-stage architecture for stock price forecasting by combining SOM and fuzzy-SVM
Hue University（顺化大学）
提出了一种基于自组织映射（SOM）和模糊支持向量机（f-SVM）相结合的股票价格预测模型。基于统计机器学习模型的模糊规则提取是该方法的基础。在该模型中，SOM被用来作为一个聚类算法，整个输入空间划分成几个不相交的区域。对于每个分区，一组模糊规则提取的基础上的f-SVM组合模型。然后，模糊规则集被用来预测的测试数据使用模糊推理算法。所提出的方法的性能进行了比较，与其他模型使用四个数据集
2014-08-22 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
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
An Online Learning Algorithm for a Neuro-Fuzzy Classifier with Mixed-Attribute Data
University of Technology Sydney（悉尼科技大学）；Advanced Analytics Institute（高级分析研究所）；Faculty of Engineering and Information Technology（工程与信息技术学院）
广义模糊最小最大神经网络（GFMMNN）是一种用于数据分类的有效神经模糊系统。然而，其原始学习算法的缺点之一是无法处理和学习混合属性数据。虽然分类特征编码方法可以与GFMMNN学习算法一起使用，但它们表现出许多缺点。文献中提出的其他方法不适合在线学习，因为它们需要在学习阶段可用的整个训练数据。随着流数据的数量和速度在许多应用领域中的快速变化，越来越多地要求所构建的模型能够实时学习和适应连续的数据变化，而不需要对其进行全面的重新训练或访问历史数据。提出了一种GFMMNN的扩展在线学习算法。该方法可以处理具有连续和分类特征的数据集。大量的实验证实了优越的和稳定的分类性能相比，其他相关的学习算法的GFMM模型的方法。
2020-09-30 cs.LG cs.NE stat.ML
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
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
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
Artificial Neural Networks and Adaptive Neuro-fuzzy Models for Prediction of Remaining Useful Life
The University of Texas at Arlington（德克萨斯大学阿灵顿分校）
美国的配水系统包括数千英里的管道，这些管道由不同的材料、不同的尺寸和年龄建造而成。这些管道受到物理、环境、结构和操作应力的影响，导致恶化，最终导致其失效。管道老化会导致破裂率增加、水力能力降低，并对水质产生不利影响。因此，至关重要的是使用准确的模型来预测恶化率，同时估计管道的剩余使用寿命，以实施必要的干扰计划，以防止灾难性故障。本文讨论了一种应用人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）预测水管RUL的计算模型。这些模型经过训练和测试，获得现场数据，以确定影响RUL预测的重要参数。得出的结论是，平均而言，现有铸铁、球墨铸铁、石棉水泥和钢水管的壁厚损失约为10%，剩余使用寿命约减少50%
2019-08-28 cs.LG cs.NE stat.ML
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
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
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
Better Later Than Sooner: Neuro-Symbolic Knowledge Graph Construction via Ontology-grounded Post-extraction Correction
University of Edinburgh, UK（爱丁堡大学）；Samsung AI Center, Cambridge, UK（三星人工智能中心）
提出一种神经符号框架，通过后提取校正解决LLM提取知识图谱时的本体不一致问题，减少token使用并提升图谱一致性。
2026-09-09 cs.AI cs.LG
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
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
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
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
One-shot Information Extraction from Document Images using Neuro-Deductive Program Synthesis
TCS Research（塔塔咨询服务公司研究院）；BITS Pilani（博拉理工学院皮拉尼校区）
我们在本文中的兴趣是在满足快速增长的工业需求信息抽取从图像的文件，如发票，账单，收据等，在实践中，用户能够提供一个非常小的数量的示例图像标记的信息，需要提取。我们采用了一种新的两级神经演绎方法，其中（a）我们使用预先训练的深度神经网络来填充关系数据库，其中包含有关每个文档图像的事实;以及（b）我们使用一种演绎推理形式，与过渡系统的元解释学习相关，以学习提取程序：给定使用由神经检测器识别的实体和关系定义的特定于任务的转换以及少量实例（通常是1个，有时是2个）的图像和期望的输出，资源受限的元解释器通过逻辑演绎构造实例的证明;从这样的证明中容易地合成提取每个期望实体的一组逻辑程序。在大多数情况下，一个单独的训练样本连同其自身的噪声克隆足以学习一个在测试文档上很好地推广的程序集，此时每个实体的值由其程序集上的多数投票决定。我们展示了我们的两级神经演绎方法公开可用的数据集（“专利”和“医生的账单”），并描述了它在现实生活中的工业问题的使用。
2019-06-06 cs.AI cs.LG cs.LO
Neuroimaging Feature Extraction using a Neural Network Classifier for Imaging Genetics
University of Victoria（维多利亚大学）；Simon Fraser University（西蒙弗雷泽大学）
针对神经影像与遗传数据高维度问题，提出基于神经网络分类器的神经影像特征提取方法，结合多元贝叶斯组稀疏回归模型进行遗传关联，用于阿尔茨海默病预测。
2022-07-08 cs.CV cs.LG q-bio.QM
Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier, Autoencoders and Fuzzy Entropies
K. N. Toosi University of Technology（K. N. 图西理工大学）；Deakin University（迪肯大学）；University of Turku（图尔库大学）；Effat University（埃法特大学）；Ngee Ann Polytechnic（义安理工学院）；SUSS University（新跃社科大学）；Asia University（亚洲大学）
癫痫发作是最重要的神经系统疾病之一，其早期诊断将有助于临床医生为患者提供准确的治疗。脑电图（EEG）信号被广泛用于癫痫发作检测，它为专家提供了有关大脑功能的大量信息。本文介绍了一种使用模糊理论和深度学习技术的新型诊断程序。波恩大学的数据集与六个分类组合，并在弗赖堡数据集上评估所提出的方法。采用可调Q小波变换（TQWT）将脑电信号分解为不同的子带。在特征提取步骤中，从TQWT的不同子带计算13个不同的模糊熵，并计算其计算复杂度，以帮助研究人员选择最佳的集合用于各种任务。在下文中，采用具有六层的自动编码器（AE）进行降维。最后，标准的自适应神经模糊推理系统（ANFIS），以及其变体与蚱蜢优化算法（ANFIS-GOA），粒子群优化（ANFIS-PSO），和育种群优化（ANFIS-BS）方法用于分类。使用我们提出的方法，ANFIS-BS方法已经获得了99.74%的准确率在两个类和99.46%的准确率在波恩数据集和弗莱堡数据集上的三元分类，达到最先进的性能。
2021-12-07 cs.LG eess.SP
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
Takens-inspired neuromorphic processor: a downsizing tool for random recurrent neural networks via feature extraction
Queen’s University（女王大学）；Elettra-Sincrotrone Trieste（的里雅斯特埃莱特拉同步辐射光源）；International Centre for Theoretical Physics（国际理论物理中心）
我们描述了一种新的技术，它最大限度地减少了隐藏层的随机递归神经网络（rRNN）的时间序列预测的神经元的数量。将基于Takens的吸引子重构方法与机器学习相结合，我们确定了一种用于特征提取的机制，该机制可以用来降低网络大小。我们获得特定的预测任务的标准，并推导出预测误差的缩放定律。我们的理论的后果是通过设计一个Takens启发的混合处理器来证明的，该处理器扩展了具有先验设计的延迟外部存储器的rRNN。因此，我们的混合架构的设计，包括真实和虚拟节点。通过这种共生关系，我们显示的混合处理器的性能稳定的神经网络模型。由于我们获得的设计规则，我们可以减少稳定的神经网络的大小的一个因素的15个标准系统。
2019-07-06 cs.LG cs.NE nlin.CD
