-
题名特征扩展的随机向量函数链神经网络
- 1
-
-
作者
龙茂森
王士同
-
机构
江南大学人工智能与计算机学院
-
出处
《软件学报》
EI
CSCD
北大核心
2024年第6期2903-2922,共20页
-
基金
国家重点研发计划(2022YFE0112400)
国家自然科学基金(61972181,U20A20228)
江苏省教育厅高校自然科学重点项目(22KJA520009)。
-
文摘
基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构,BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下,FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.
-
关键词
宽度学习系统
模糊推理系统
特征扩展
随机向量函数链神经网络(rvflnn)
Sigmoid激活函数
可解释
-
Keywords
broad learning system
fuzzy inference system
feature augmentation
random vector functional-link neural network(rvflnn)
Sigmoid function
interpretability
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
