融合CCMEB的双层TSK模糊系统：处理大样本数据的新方法

"这篇论文是2015年的工程技术类论文，主要研究如何处理大样本和超大样本数据集的问题。研究者通过结合中心约束型最小包含球（CCMEB）理论与TSK模糊系统（Takagi-Sugeno-Kang fuzzy system），提出了一种双层TSK模糊系统CTSK，旨在解决大数据处理中的时间和准确性问题。通过仿真实验，论文分析了不同模糊规则对新算法的影响，并将新算法与三种国际先进的大数据处理算法进行了性能比较，证明了CTSK算法在处理大样本数据时的有效性和快速性。该研究由国家留学基金委和江苏省自然科学基金资助，作者来自江南大学物联网工程学院，专注于模糊系统、神经网络等领域。" 本文主要探讨了针对大样本集的融合模糊系统，即CTSK模糊系统，它是由CCMEB理论与TSK模糊系统相结合而创建的。TSK模糊系统是一种广泛应用的模糊逻辑模型，以它的简洁性和解析性著称，能够方便地进行模糊推理并转换为数学公式。然而，在处理大规模数据时，传统TSK系统可能会面临计算效率和准确性的挑战。 CCMEB理论是数据聚类的一种方法，它通过寻找能够覆盖所有样本点的最小球体来实现数据的紧凑表示。在CTSK系统中，CCMEB被用来优化模糊规则，以减少计算复杂度并提高处理速度。这种融合方式使得新算法能够更好地适应大样本数据的特性，从而解决了传统方法在处理大数据时的效率问题。 论文通过仿真实验，研究了模糊规则的数量对新算法性能的影响。实验表明，模糊规则的适当选择对算法的精度和速度有着显著影响。此外，新提出的CTSK算法与其它三种国际上先进的大数据处理算法进行了对比，验证了其在处理大样本数据时的优越性，尤其是在处理效率和结果准确性方面。 论文的结论部分强调，CTSK模糊系统为处理大样本数据提供了一种有效且快速的新途径，这在当前大数据背景下具有重要的实用价值。未来的研究可以进一步探索如何优化模糊规则结构，以及如何将此方法扩展到更复杂的现实世界问题中，以提升大数据分析的效率和精度。