中心点交叉涌现的贝叶斯大间隔模糊聚类算法：构建高解释性BMA-FS

本文主要探讨了一种创新的机器学习和模糊系统结合的方法，即具有强解释性的贝叶斯Mamdani-Assilantype模糊系统（BMA-FS）。该研究针对规则前件学习提出了中心点交叉涌现的大间隔贝叶斯模糊聚类（CECLM-BFC）算法。CECLM-BFC算法的核心在于最大化不同样本间的聚类中心间距，通过引入排斥力机制，使得样本被有效地分配到各自所属的类别中。这一过程利用了粒子滤波技术，这是一种迭代的估计方法，在不同类别样本之间交替进行，自动优化聚类结果，包括确定聚类数目、模糊隶属度以及每个类别的聚类中心。 规则前件的学习是通过考虑样本间的差异性和竞争性来实现的，这有助于提升模型的鲁棒性和泛化能力。算法设计巧妙地融合了大间隔聚类的概念，旨在提高分类决策的界限清晰度，从而增强系统的解释性。 在模糊规则后件参数的学习阶段，研究人员采用了分类面大间隔策略，进一步提升了BMA-FS的性能。这一策略确保了规则的形成过程中，分类边界尽可能明显，有助于用户理解和解释规则的执行逻辑。 通过实验证明，BMA-FS在分类任务中展现出了卓越的性能，不仅在精度上达到了满意水平，而且模糊规则的解释性得到了显著增强。这对于许多领域，如工业控制、模式识别和数据挖掘等，都具有重要的应用价值，因为高解释性的模型更易于理解和维护。 本文的研究成果对于改进基于模糊系统的机器学习模型，特别是Mamdani-Assilantype模糊系统，提供了有力的理论支持和技术手段，有望推动相关领域的研究和发展。同时，其对规则学习和解释性的重视，对于提升人工智能系统的透明度和可信任度具有重要意义。