没有合适的资源?快使用搜索试试~ 我知道了~
首页基于LLM的0阶TSK模糊分类器:大规模数据集下的高效解决方案
基于LLM的0阶TSK模糊分类器:大规模数据集下的高效解决方案
1 下载量 80 浏览量
更新于2024-08-29
2
收藏 2.45MB PDF 举报
本文主要探讨了在大规模数据集背景下,基于最小学习机(Least Learning Machine, LLM)的0阶TSK模糊分类器的应用。0阶TSK-FC模糊分类器是一种创新的解决方案,旨在解决传统分类器在泛化性能、可解释性和学习效率方面的不足。TSK-FC的特点在于它利用0阶模糊系统的优势,能够处理非线性问题,并提供一定的模糊度,使得分类结果更具鲁棒性。 为了应对大规模数据集带来的挑战,研究者提出了增量式0阶TSK-IFC模糊分类器。增量式模糊聚类算法(IFCM(c+p))在此框架下被用来训练模糊规则参数,这种方法允许模型在不断增长的数据流中进行动态更新,提高了参数学习的效率。通过与FCPM-IRLS模糊分类器和径向基函数神经网络(Radial Basis Function Neural Networks, RBFNN)进行对比实验,结果显示,提出的模糊分类器在不同规模的数据集上都展现出优良的性能,特别是在处理大规模数据时,TSK-IFC的表现更为突出。 关键词如TSK-FC、TSK-IFC、最小学习机、TSK型模糊分类器以及大规模数据集,突显了本文的核心关注点。文章的贡献在于提供了一种有效的方法来处理大规模数据集中的复杂分类问题,同时保持了良好的性能和学习效率。对于在实时变化的数据环境中寻求高效分类模型的科研人员和工程师来说,这项研究具有重要的实际应用价值。
资源详情
资源推荐
第 32 卷 第 1 期
2017 年 1 月
控 制 与 决 策
Control and Decision
Vol. 32 No. 1
Jan. 2017
适合大规模数据集且基于 LLM 的 0 阶 TSK 模糊分类器
文章编号: 1001-0920 (2017) 01-0021-10 DOI: 10.13195/j.kzyjc.2015.1579
李 滔
†
, 王士同
(江南大学 数字媒体学院,江苏 无锡 214122)
摘 要: 针对传统分类器的泛化性能差、可解释性及学习效率低等问题, 提出 0 阶 TSK-FC 模糊分类器. 为了将该分
类器应用到大规模数据的分类中, 提出增量式 0 阶 TSK-IFC 模糊分类器, 采用增量式模糊聚类算法 (IFCM(c + p)) 训
练模糊规则参数并通过适当的矩阵变换提升参数学习效率. 仿真实验表明, 与 FCPM-IRLS 模糊分类器、径向基函数
神经网络相比, 所提出的模糊分类器在不同规模数据集中均能保持很好的性能, 且 TSK-IFC 模糊分类器在大规模数
据分类中尤为突出.
关键词: TSK-FC;TSK-IFC;最小学习机;TSK 型模糊分类器;大规模数据集
中图分类号: TP181 文献标志码: A
Zero-order TSK fuzzy classifier based on LLM for large-scale data sets
LI Tao
†
, WANG Shi-tong
(School of Digital Media,Jiangnan University,Wuxi 214122,China)
Abstract: In order to overcome the shortcoming that traditional classifiers cannot achieve satisfactory generalization
performance, good interpretability and fast learning efficiency for datasets, the zero-order TSK fuzzy classifier called TSK-
FC is proposed to solve the classification problem of middle-scale datasets. In order to make the TSK-FC suitable for large-
scale data sets, its incremental version called TSK-IFC is developed, in which the incremental fuzzy clustering algorithm
called incremental fuzzy (c + p)-means clustering(IFCM(c + p)) is used to train antecedent parameters of fuzzy rules
while fast consequent parameter learning is achieved through an appropriate matrix computation trick for the least learning
machine. The proposed fuzzy classifiers, the TSK-FC and the TSK-IFC are experimentally compared with the conventional
fuzzy classifier called FCPM-IRLS and the RBF neural network, and the results show the power of the proposed fuzzy
classifiers, especially the great applicability of the TSK-IFC for large-scale data sets.
Keywords: TSK-FC;TSK-IFC;least learning machine;TSK fuzzy classifier;large-scale data sets
0 引引引 言言言
模糊分类作为机器学习的一个重要领域, 使用
语言规则和模糊集对知识进行表达, 因此模糊系统
往往具有很好的可解释性, 并已在图像处理、文字识
别、语音识别等领域得到了广泛应用. 模糊分类一般
包含以下过程: 1) 将输入样本映射到模糊子空间, 即
模糊划分过程; 2) 建立与模糊子空间相适应的模糊
规则; 3) 在模糊规则之上对每个输入样本进行分类判
别. 可见, 模糊规则是模糊分类系统中相当重要的一
部分, 广大学者在设计模糊分类器时围绕模糊 if-then
规则的学习方式进行了广泛而深入的研究
[1-11]
. 考虑
不同的知识表达形式, 常用的有 Mamdani 型和 TSK
型模糊系统, 本文研究工作是在 TSK 型模糊系统的基
础之上展开的.
在训练模糊 if-then 规则时, 常常使用模糊聚类方
法学习模糊 if-then 规则的前件
[7-8]
. 文献 [7] 中采用了
FCPM 模糊聚类算法学习模糊规则的前件, 研究发现,
该算法在大规模数据集中性能较差; 为了解决该问
题, 文献 [12] 提出了增量式模糊聚类算法 (IFCM (c +
p)), 该算法能够实现快速聚类且有较好的聚类性能,
可以很好地解决大规模数据集的聚类问题. 本文将
分别采用 FCPM 和 IFCM (c + p) 模糊聚类算法训练模
糊 if-then 规则的前件.
人工神经网络的众多优点使其能够在众多领
收稿日期: 2015-12-22;修回日期: 2016-03-10.
基金项目: 国家自然科学基金项目(61170122, 61272210);江苏省自然科学基金项目(BK20130155).
作者简介: 李滔 (1990−), 男, 硕士, 从事人工智能与模式识别、机器学习的研究;王士同 (1964−), 男, 教授, 博士生导
师, 从事人工智能与模式识别、机器学习、深度学习等研究.
†
通信作者. E-mail: chasingdream119@163.com
下载后可阅读完整内容,剩余9页未读,立即下载
weixin_38642349
- 粉丝: 2
- 资源: 895
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- OptiX传输试题与SDH基础知识
- C++Builder函数详解与应用
- Linux shell (bash) 文件与字符串比较运算符详解
- Adam Gawne-Cain解读英文版WKT格式与常见投影标准
- dos命令详解:基础操作与网络测试必备
- Windows 蓝屏代码解析与处理指南
- PSoC CY8C24533在电动自行车控制器设计中的应用
- PHP整合FCKeditor网页编辑器教程
- Java Swing计算器源码示例:初学者入门教程
- Eclipse平台上的可视化开发:使用VEP与SWT
- 软件工程CASE工具实践指南
- AIX LVM详解:网络存储架构与管理
- 递归算法解析:文件系统、XML与树图
- 使用Struts2与MySQL构建Web登录验证教程
- PHP5 CLI模式:用PHP编写Shell脚本教程
- MyBatis与Spring完美整合:1.0.0-RC3详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功