虽然Takagi-Sugeno-Kang（TSK）模糊分类器在一些重要场合已经取得了广泛应用,但如何提高其分类性能和增强其可解释性,仍然是目前的研究热点.提出一种随机划分与组合特征且规则具有高可解释性的深度TSK模糊分类器（RCC-DTSK-C）,但和其他分类器构造不同的是:（1）RCC-DTSK-C由很多基训练单元构成,这些基训练单元可以被独立训练;（2）每一个基训练单元的隐含层通过模糊规则的可解释性来表达,而这些模糊规则又是通过随机划分、随机组合来进行特征选择的;（3）基于栈式结构理论,源数据集作为相同的输入空间被映射到每一个独立的基训练单元中,这样就有效地保证了源数据的所有特征在每一个独立的训练单元中都得以保留.实验结果表明,RCC-DTSK-C具有良好的分类性能和可解释性.
类型: 期刊论文
作者: 周塔,邓赵红,蒋亦樟,王士同
关键词: 随机模糊划分,特征组合,可解释性,深度学习,栈式结构
来源: 软件学报 2019年12期
年度: 2019
分类: 信息科技
专业: 自动化技术
单位: 江南大学数字媒体学院,江苏科技大学电子信息学院
基金: 国家自然科学基金(61772239,61702225,61572236,61711540041)~~
分类号: TP181
DOI: 10.13328/j.cnki.jos.005590
页码: 3637-3650
总页数: 14
文件大小: 750K
下载量: 186
本文来源: https://www.lunwen66.cn/article/583f6383a05aa10fbc121ed0.html