模糊子空间聚类0阶岭回归改进TSK模糊系统提升解释性

本文主要探讨了一种创新的基于模糊子空间聚类的0阶岭回归TSK模糊系统（Fuzzysubspaceclusteringbased0-orderridgeregressionTSKfuzzy system）。在传统TSK模糊系统中，当面对高维数据进行训练时，一个常见的问题在于规则前件（antecedents）所使用的特征过多，这会导致规则的解释性降低，同时使得规则变得复杂，难以理解和解释。为了克服这个问题，研究者们引入了模糊子空间聚类算法的子空间特性，这一算法能够有效地识别数据中的潜在结构和关键特征。 作者们在TSK模型中嵌入了一个特征抽取机制，通过模糊子空间聚类来筛选出对系统决策至关重要的子空间特征，这不仅提高了模型的解释性，还能使每个规则针对不同的子空间特征进行学习。这种定制化的特征抽取策略有助于保持规则的简洁性，使系统设计更为直观。 此外，他们采用岭回归作为后件（consequent）的学习方法，这是一种正则化技术，可以防止过拟合，并优化模型参数的选择。通过将模糊子空间聚类和岭回归结合，提出的0阶岭回归TSK模型能够在保持较高预测精度的同时，提高模型的稳定性和泛化能力。 实验部分，研究者在模拟数据集和真实数据集上进行了详细的比较和验证，结果显示，所提出的基于模糊子空间聚类的0阶岭回归TSK模型在处理高维数据时，不仅在性能上超越了传统方法，而且在规则的解释性和简洁性方面也有所提升。因此，这种方法对于处理复杂的数据集和提高模糊系统的实用价值具有显著优势，对于实际工程应用具有很高的实用价值，尤其是在控制和决策领域。