Evolution of Voronoi based Fuzzy Recurrent Controllers
模糊控制器通常是通过将人类专家的知识公式化为一组语言变量和模糊规则来设计的。其中最成功的方法,自动化的模糊控制器的开发过程是进化算法。在这项工作中,我们提出了递归模糊Voronoi(RFV)模型,经常性模糊系统的表示。它是由Kavka和Schoenauer提出的FV模型的扩展,扩展了应用领域,包括时间问题。FV模型是基于沃罗诺伊图的模糊控制器的表示,其可以表示具有协同规则的模糊系统,满足$ε$ -完备性并且提供了引入先验知识的简单方式。在所提出的表示中,通过包括通过将输出连接到输入来提供反馈的内部单元来嵌入时间关系。这些内部单元充当存储元件。在RFV模型中,内部单元的语义可以与先验规则一起指定。规则的几何解释允许在演化过程中使用几何变分算子。在系统辨识和进化机器人领域的两个问题中验证了表示和算法。
2005-11-28 cs.AI
Comparison of different T-norm operators in classification problems
Shahid Bahonar University(沙希德·巴霍纳尔大学)
基于模糊规则的分类系统是用于模式分类问题的最流行的模糊建模系统之一。本文研究了在基于模糊规则的分类系统中应用九种不同的T-范数的效果。在最近的研究中,来自数据采掘领域的置信度和支持度的模糊版本已经被广泛地用于基于模糊规则的分类系统的构造中的规则选择和加权。为了计算这些优点,乘积通常被用作T范数。在本文中,不同的T-范数已被用于计算的信心和支持措施。因此,在规则选择和规则加权步骤(在构建基于模糊规则的分类系统的过程中)的计算通过采用这些T-范数进行修改。因此,计算中的这些变化导致改变基于规则的分类系统的总体准确性。在一些著名的数据集上的实验结果表明,在分类精度方面,采用Aczel-Alsina算子的性能最好,其次是Dubois-Prade算子,第三是Dombi算子。在实验中,我们使用了来自加州大学欧文分校机器学习库(UCI)的12个具有数值属性的数据集。
2012-08-09 cs.AI
Answering Fuzzy Queries over Fuzzy DL-Lite Ontologies
University of Milano-Bicocca(米兰比可卡大学)
知识表示中的一个突出问题是如何回答查询,同时考虑表示领域知识的本体的隐含后果。虽然这个问题已经在描述逻辑本体论的领域内得到了广泛的研究,但令人惊讶的是,在模糊或不精确知识的背景下,特别是从数学模糊逻辑的角度来看,它被忽视了。在本文中,我们研究的问题,回答合取查询和阈值查询w.r.t.模糊DL-Lite中的本体。具体来说,我们通过重写的方法,阈值查询回答w.r.t.在数据复杂度方面,一致的本体保持在$AC_0$中,但是合取查询应答高度依赖于所选择的三角范数,这对底层语义有影响。对于幂等的哥德尔t-范数,我们提供了一个有效的方法的基础上减少到经典的情况。这篇论文是在逻辑程序设计理论与实践(TPLP)中考虑的。
2021-11-23 cs.AI
Applying Interval Type-2 Fuzzy Rule Based Classifiers Through a Cluster-Based Class Representation
University of Nottingham(诺丁汉大学)
基于模糊规则的分类系统(FRBCSs)具有提供所谓的可解释分类器的潜力,即分类器可以由人类专家依靠基于模糊集的规则进行内省、理解、验证和扩充。本文建立在以前的工作区间类型2模糊集为基础的FRBC的模糊集和规则的分类器使用初始聚类阶段生成。通过引入减法聚类以识别多个聚类原型,所提出的方法有可能提供改进的分类性能,同时保持良好的可解释性,即不会导致过多的规则。本文详细介绍了所提出的FRBC框架,随后对线性和非线性可分离数据集进行了一系列探索性实验,并将结果与现有的基于规则的方法和SVM方法进行了比较。总体而言,初步结果表明,该方法能够实现与非基于规则的分类器(如SVM)相当的分类性能,同时通常使用非常少的规则实现这一点。
2016-07-21 cs.AI
Fuzzy Knowledge Representation Based on Possibilistic and Necessary Bayesian Networks
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。本文提出了一个框架,结合两个学科发挥各自的优势,在不确定和不精确的知识表示问题。该框架是一个基于可能性逻辑的框架,其中贝叶斯节点及其属性由局部必要值知识库表示。属性中的数据被解释为一组赋值公式。在我们的贡献可能性贝叶斯网络有一个定性的部分和定量的一部分,代表当地的知识库。总体思路是研究如何融合这两种形式主义将允许表示紧凑的方式来有效地解决问题的知识表示。我们展示了如何将可能性和必要性度量应用于大规模数据的知识表示问题。另一方面,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。总体目标是提供一种新的不确定性决策方法,该方法结合了三种方法:贝叶斯网络确定性分布和模糊逻辑。
2012-06-05 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 New Penta-valued Logic Based Knowledge Representation
Tarom Company(塔罗姆公司)
本文提出了一种结合模糊集和五值逻辑思想的知识表示模型FP5。FP5表示不精确性质,其完成程度对于某些对象是不确定的、矛盾的或不确定的。介绍了合取、析取和求反的基本运算。关系到其他表示模型,如模糊集,直觉,次协调和双极模糊集进行了讨论。
2015-02-19 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
On the Undecidability of Fuzzy Description Logics with GCIs with Lukasiewicz t-norm
IIIA - CSIC(西班牙国家研究委员会人工智能研究所);ISTI - CNR(意大利国家研究委员会信息科学与技术研究所)
最近有一些意想不到的结果,模糊描述逻辑(FDLs)与一般概念包含(GCI)。他们表明,与经典的情况下,DL ALC与GCI不具有有限的模型属性下Lukasiewicz逻辑或产品逻辑,具体地说,知识库可满足性是一个不可判定的问题产品逻辑。我们在这里完成的分析表明,知识库可满足性也是一个不可判定的问题Lukasiewicz逻辑。
2011-07-27 cs.AI cs.LO
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
Gradient-based Fuzzy System Optimisation via Automatic Differentiation -- FuzzyR as a Use Case
School of Computer Science University of Nottingham Nottingham, UK
本文探讨利用自动微分技术优化模糊系统,以FuzzyR为例展示其应用,旨在简化梯度计算,提升设计效率与可解释性。
2024-03-18 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
Tracking object's type changes with fuzzy based fusion rule
本文分析了用于目标类型估计的时序属性数据融合的三种组合规则的行为。比较分析的依据是:Dempster-Shafer理论中提出的Dempster融合规则;在Dezert-Smarandache理论中提出的比例冲突再分配规则5(PCR 5)和一种备选类融合规则,将信息融合的组合规则与特定的模糊算子联系起来,重点讨论了作为普通合取规则的类比的基于t-范数的合取规则和作为普通析取规则的类比的基于t-范数的析取规则。研究了TCN融合规则中不同的t-范数和t-范数函数对目标类型估计性能的影响。
2009-10-08 cs.AI
N-norm and N-conorm in Neutrosophic Logic and Set, and the Neutrosophic Topologies
University of New Mexico, Gallup(新墨西哥大学盖洛普分校)
本文将模糊逻辑和集合中的N-模/N-余模作为模糊逻辑和集合中的T-模/T-余模的推广。同时,作为直觉模糊拓扑的推广,我们给出了中性拓扑。
2009-01-09 cs.AI
Picture Fuzzy Interactional Aggregation Operators via Strict Triangular Norms and Applications to Multi-Criteria Decision Making
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(黑海技术大学);Shandong University of Finance and Economics(山东财经大学);Shandong University(山东大学);Beijing University of Technology(北京工业大学)
图像模糊集是一种有效的多准则决策工具,它具有三个隶属度。本文研究了图象模糊数(PFNs)中闭运算律的结构,提出了有效的图象模糊MCDM方法。我们首先引入PFN的一个容许序,并证明所有PFN在此序下形成一个完全格。然后,我们给出了一些具体的例子来说明一些现有的图片模糊集结算子的非封闭性。为了保证PFNs中运算律的封闭性,我们构造了一类新的基于严格三角范数的图像模糊算子,该算子考虑了正度(负度)和中性度之间的相互作用.基于这些新算子,我们得到了图像模糊插值加权平均(PFIWA)算子和图像模糊插值加权几何(PFIWG)算子。证明了它们是单调的、幂等的、有界的、平移不变的和齐次的。我们还建立了一个新的MCDM方法下的图片模糊环境下应用PFIWA和PFIWG算子。此外,我们提出了一个说明性的例子,清楚地了解我们的方法。并对六类著名的三角模所诱导的算子进行了比较分析。
2022-04-08 cs.AI cs.IT math.IT
On the Non-Uniqueness of Representation of $(U,N)$-Implications
Mathematical Institute, Slovak Academy of Sciences(斯洛伐克科学院数学研究所);CE IT4Innovations - Institute for Research and Applications of Fuzzy Modeling, University of Ostrava(IT4Innovations-模糊建模研究与应用研究所,奥斯特拉瓦大学)
本文证明(U,N)-蕴涵在模糊否定连续时也未必具有唯一表示,并系统研究了统一模连续与非连续情形下的唯一性条件,揭示了该类模糊蕴涵算子的结构性质。
2025-09-19 cs.AI
An Evolutionary Hierarchical Interval Type-2 Fuzzy Knowledge Representation System (EHIT2FKRS) for Travel Route Assignment
University of Sfax(斯法克斯大学);National Engineering School of Sfax(斯法克斯国家工程学院);University of Las Palmas de Gran Canaria(大加那利岛拉斯帕尔马斯大学)
城市交通网络的特点是交通流的高动态性和增加的旅行时间,包括等待时间。这导致道路交通管理更加复杂。本研究提出了一种创新的先进的交通管理系统的基础上,分层区间类型2模糊逻辑模型优化的粒子群优化(PSO)方法。设计该系统的目的是进行动态路径分配,以缓解交通拥挤和限制意外的波动对交通流的影响。建议的系统执行和模拟使用SUMO,一个著名的微观交通模拟器。在本研究中,我们测试了位于斯法克斯,卢森堡,博洛尼亚和科隆的四个大型和异构的大都市区。实验结果证明了使用实时的粒子群优化技术PSO学习分层区间2型模糊逻辑的有效性,以实现多目标优化两个标准:车辆到达目的地的数量和平均行程时间。所获得的结果是令人鼓舞的,证实了所提出的系统的效率。
2018-12-05 cs.AI
Deep adaptive fuzzy clustering for evolutionary unsupervised representation learning
East China University of Science and Technology(华东理工大学);McMaster University(麦克马斯特大学);Tongji University(同济大学)
大型复杂图像的聚类分配是模式识别和计算机视觉中一项重要而又具有挑战性的任务。在这项研究中,我们探讨了在深层神经网络框架中采用模糊聚类的可能性。因此,我们提出了一种新的进化无监督学习表示模型与迭代优化。它实现了深度自适应模糊聚类(DAFC)策略,该策略仅从给定的未标记数据样本中学习卷积神经网络分类器。DAFC由深度特征质量验证模型和模糊聚类模型组成,实现了深度特征表示学习损失函数和基于加权自适应熵的嵌入式模糊聚类。我们将模糊聚类与深度重建模型结合起来,其中模糊隶属度用于表示深度聚类分配的清晰结构,并联合优化深度表示学习和聚类。此外,联合模型通过检查来自估计瓶颈空间的重新采样数据是否具有一致的聚类属性来评估当前聚类性能,以逐步改进深度聚类模型。在各种数据集上的综合实验表明,与其他最先进的深度聚类方法相比,所提出的方法在重建和聚类质量方面都获得了更好的性能,正如广泛实验中的深入分析所证明的那样。
2021-03-31 cs.AI cs.CV
A note on the potentials of probabilistic and fuzzy logic
Delft University of Technology(代尔夫特理工大学)
本文主要讨论:(1)$n$型模糊集的广义处理,其中$n$是大于等于$1$的整数,并附有实例、数学讨论和对所给数学概念的实际解释;(2)模糊逻辑与概率逻辑之间的潜力和联系,这些问题在文献中尚未讨论过;(3)由于数据集中不确定的数学和模糊的语言术语,在数据驱动的现实问题中出现的现实生活中的随机和模糊的不确定性和歧义的表示。
2022-09-29 cs.AI
Fuzzy Datalog$^\exists$ over Arbitrary t-Norms
University of Oxford(牛津大学);TU Wien(维也纳工业大学);University of Calabria(卡拉布里亚大学)
该研究将带存在规则的Datalog推广至任意t-模的模糊场景,提出模糊Datalog追踪方法,在保留经典场景复杂度的同时支持异构不确定数据的逻辑推理,为神经符号AI推理提供新形式体系。
2024-03-05 cs.AI cs.LO
Generalizing Fuzzy Logic Probabilistic Inferences
URSIC COMPUTING(Ursic计算公司)
通过奇偶条件选择的布尔对称函数子集的线性表示构成了布尔引入的概率线性约束的推广。这些线性约束对于计算事件的概率是必要的。用命题演算布尔公式任意指定。
2013-03-27 cs.AI
Extending Ontologies: From Dense Embeddings to Hybrid Quantum-Fuzzy Systems
本文综述本体与密集嵌入算法的集成方法,并提出神经-量子-模糊系统作为同时支持概率推理和精确推理的知识表示新范式。
2026-06-07 cs.AI cs.LO
Description Logics with Fuzzy Concrete Domains
ISTI - CNR(意大利国家研究委员会信息科学与技术研究所)
我们提出了一个模糊版本的描述逻辑与具体领域。主要特点是:(i)概念构造器基于t-范数、t-连续、否定和蕴涵;(ii)具体域是模糊集;(iii)允许模糊修饰符;以及(iv)推理算法基于完成规则和有界混合整数规划的混合。
2012-07-04 cs.AI cs.LO
Exact alternative optima for nonlinear optimization problems defined with maximum component objective function constrained by the Sugeno-Weber fuzzy relational inequalities
University of Tehran(德黑兰大学)
本文研究受 Sugeno-Weber 模糊关系不等式约束的格化非线性优化问题,基于可行域的充分必要条件提出一种求解算法,并证明其能求得精确最优解。
2025-09-16 cs.AI math.OC
A fuzzy take on the logical issues of statistical hypothesis testing
University of Lincoln(林肯大学)
统计假设检验(Statistical Hypothesis Testing,简称SHT)是一种利用经验数据来检验假设的推理方法,通常会对是否拒绝该假设做出判断。在本文中,我们专注于逻辑方面的这一战略,这在很大程度上是独立的思想所采用的学校,至少在各种频率论的方法。我们确定SHT作为采取形式的一个不健全的论点,从模Tollens在经典逻辑,为了拯救SHT从这个困难,我们建议,它可以代替接地在t-范数为基础的模糊逻辑。我们利用Tollens前件的模糊扩展来重新表述频率论者的SHT逻辑,以发展其前提的真值评估模型。重要的是,我们表明,它是可能的,以保持健全的前件式Tollens通过探索各种公约涉及建设模糊否定和模糊的影响(即,S和R公约)。我们发现,根据S公约,它是可能的进行的前件式Tollens推理参数使用扎德的组成扩展和任何可能的t-范数。在R约定下,我们发现这不一定是这种情况,但是通过混合R-蕴涵和S-否定,我们可以挽救乘积t-范数。总之,我们已经表明,模糊逻辑是一个合理的框架来讨论和解决的困难,频繁解释的SHT。
2021-06-24 cs.AI physics.hist-ph
Fuzzy Rule-based Differentiable Representation Learning
本文提出基于TSK-FS的可解释可微表示学习方法,通过模糊特征映射、后件可微优化和二阶几何保持,在保证透明性的同时提升性能与鲁棒性。
2025-03-16 cs.AI cs.LG
Word Embeddings and Validity Indexes in Fuzzy Clustering
University of Tabriz(大不里士大学)
在互联网系统和应用的新时代,从大量文本中检测出有区别的主题的概念得到了很多关注。这些方法使用数字格式的文本表示(称为嵌入)来模仿单词之间基于人类的语义相似性。在这项研究中,我们进行了基于模糊的分析,各种矢量表示的话,即,词嵌入。此外,我们介绍了新的模糊聚类方法的基础上的混合实现模糊聚类方法与进化算法命名为森林优化。我们使用两种流行的模糊聚类算法对基于计数的词嵌入,具有不同的方法和维度。从Kaggle数据集中收集有关新冠病毒的单词,并将其计算成向量并进行聚类。结果表明,模糊聚类算法是非常敏感的高维数据,参数调整可以显着改变其性能。我们评估实验结果与各种聚类有效性指标,比较不同的算法变化与不同的嵌入精度。
2022-04-26 cs.AI cs.CL
COLIBRI Fuzzy Model: Color Linguistic-Based Representation and Interpretation
School of Information Technology and Engineering(信息科技与工程学院)
COLIBRI模糊模型通过模糊集合和逻辑构建,实现颜色表示与人类视觉感知的结合,填补计算颜色表示与人类感知之间的差距。
2025-07-15 cs.AI cs.CV
Incremental Bootstrapping and Classification of Structured Scenes in a Fuzzy Ontology
University of Örebro(厄勒布鲁大学)
本文提出模糊SIT算法,在模糊DL本体中增量自举结构化场景表示,以提升对感知噪声的鲁棒性,同时保留清晰实现的分类性能。
2024-04-17 cs.AI cs.HC cs.LO
Transfer Representation Learning with TSK Fuzzy System
Jiangnan University(江南大学)
迁移学习可以利用来自不同但相关的源域的大量标记数据来解决目标域中未标记数据的学习任务。迁移学习的一个核心问题是学习一个共享的特征空间,在这个空间中来自两个域的数据的分布是匹配的。这种学习过程可以称为迁移表示学习(TRL)。特征变换方法是保证TRL成功的关键。TRL中最常用的特征变换方法是基于核的高维空间的非线性映射和线性降维。但核函数缺乏可解释性,难以选择。为此,本文将TSK模糊系统(TSK-FS)与迁移学习相结合,提出了一种更直观、更易于解释的建模方法--迁移表示学习与TSK-FS(TRL-TSK-FS)。具体来说,TRL-TSK-FS从两个方面实现了TRL。一方面,将源域和目标域中的数据转换到模糊特征空间中,使两个域之间的数据分布距离最小。另一方面,通过线性判别分析和主成分分析,保留了数据的判别信息和几何特征。此外,该方法的另一个优点是,通过构造模糊映射来实现非线性变换,而不是用TSK-FS的前件部分代替难以选择的核函数。在文本和图像数据集上进行了大量的实验。结果表明了该方法的优越性。
2019-01-09 cs.AI cs.LG
Fuzzy Tiling Activations: A Simple Approach to Learning Sparse Representations Online
University of Alberta(阿尔伯塔大学)
最近的研究表明,稀疏表示-只有一小部分单元是活跃的-可以显着减少干扰。然而,这些工作依赖于相对复杂的正则化或元学习方法,这些方法仅在预训练阶段离线使用。在这项工作中,我们追求的方向是通过设计而不是通过学习来实现稀疏性。具体来说,我们设计了一个激活函数,通过构造确定性地产生稀疏表示,因此更适合在线训练。这个想法依赖于简单的分箱方法,但克服了分箱的两个关键限制:几乎所有平坦区域的零梯度,以及由于粗聚集而导致的精度损失-降低的区分度。我们引入了一个模糊平铺激活(FTA),提供不可忽略的梯度,并产生箱之间的重叠,提高歧视。我们首先证明了FTA在一个合成的在线监督学习问题中的协变量偏移下是鲁棒的,在这个问题中,我们可以改变相关性和漂移的水平。然后,我们移动到深层的强化学习设置和研究基于值和策略梯度算法,使用神经网络与自由贸易协定,在经典的离散控制和Mujoco连续控制环境。我们表明,配备自由贸易协定的算法能够更快地学习一个稳定的政策,而不需要在大多数域的目标网络。
2021-03-16 cs.AI cs.LG
Fuzzy Dynamical Genetic Programming in XCSF
University of the West of England(西英格兰大学)
研究在XCSF学习分类器系统中使用模糊动态遗传编程表示,通过异步模糊逻辑网络实现自适应性开放演化,解决连续值测试问题。
2012-04-18 cs.AI cs.LG cs.NE
Integrating Fuzzy Logic with Causal Inference: Enhancing the Pearl and Neyman-Rubin Methodologies
The University of Quebec at Trois-Rivieres(魁北克大学三河校区)
本研究融合模糊逻辑推广Pearl与Neyman-Rubin因果推断方法,提出FATE、GFATE及其归一化版本的模糊因果效应公式,验证其可识别性与稳定性,并通过实验证实方法的实用性。
2024-06-19 cs.AI cs.LG cs.LO
Discrete and fuzzy dynamical genetic programming in the XCSF learning classifier system
Department of Computer Science and Creative Technologies(计算机科学与创意技术系);University of the West of England(西英格兰大学)
本文在XCSF框架内使用离散和模糊动态系统表示(异步随机布尔网络和模糊逻辑网络),通过自适应的开放式进化设计集成系统,解决多个经典测试问题。
2015-01-25 cs.AI cs.LG cs.NE