- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
软件学报
ISSN
1000-9825,
CODEN
RUXUEWE-mail:
jos@
JournalofSoftware,2024,35(6):2903−2922
[doi:
10.13328/ki.jos.006920]
©中国科学院软件研究所版权所有.Tel:
+86-10
*
特征扩展的随机向量函数链神经网络
龙茂森,
王士同
(江南大学
人工智能与计算机学院,
江苏
无锡
214122)
通信作者:
王士同,
E-mail:
wxwangst@
摘要:
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
中图法分类号:
TP18
中文引用格式:
龙茂森,
王士同.
特征扩展的随机向量函数链神经网络.
软件学报,
2024,
35(6):
2903–2922.
/
1000-9825/6920.htm
英文引用格式:
Long
MS,
Wang
ST.
Feature-augmented
Random
Vector
Functional-link
Neural
Network.
Ruan
Jian
Xue
Bao/Journal
of
Software,
2024,
35(6):
2903–2922
(in
Chinese).
/1000-9825/6920.htm
Feature-augmentedRandomVectorFunctional-linkNeuralNetwork
LONG
Mao-Sen,
WANG
Shi-Tong
(School
of
Artificial
Intelligence
and
Computer
Science,
Jiangnan
University,
Wuxi
214122,
China)
Abstract:
The
broad-learning-based
dynamic
fuzzy
inference
system
(BL-DFIS)
can
automatically
assemble
simplified
fuzzy
rules
and
achieve
high
accuracy
in
classification
tasks.
However,
when
BL-DFIS
works
on
large
and
complex
datasets,
it
may
generate
too
many
fuzzy
rules
to
achiev
文档评论(0)