一、一种模糊建模方法的研究:精确性与解释性的折衷(英文)（论文文献综述）
张云霞[1]（2019）在《不确定性环境下的语言值推理及规则学习研究》文中提出不确定性人工智能已成为近年来最热门的课题之一,在不确定性人工智能中常常出现语言值表示的信息。不确定性推理和机器学习算法是不确定性人工智能的重要研究内容,为建立高可靠性和高可解释性的人工智能提供了数学理论基础和研究方法。本文就不确定性环境下的语言值近似推理和规则学习算法开展研究工作,具体内容包括:不确定性环境下人们更倾向于使用语言值描述信息,传统的基于模糊集理论的词计算方法,使用定量的隶属函数描述定性的语言值知识,存在表述上的不足。语言值格蕴涵代数更加符合人类语言和思维的特点,本文提出了基于语言值格蕴涵代数的近似推理模型。取式推理和拒取式推理作为最常见的推理形式之一,在带有语言值的推理方法中有着重要作用,将其扩展到语言值格蕴涵代数上,提出了语言值取式推理和语言值拒取式推理的形式化表示和基于相似度的算法公式;为了处理推理规则和证据中语言值表述的属性权重问题,对语言值格蕴涵代数的（?）算子进行了探讨,说明了它作为加权运算的合理性;存在不可比是语言值的固有属性,定义了语言值-实值赋值函数,以便在需要时对推理结果中不可比语言值排序,并通过实例说明方法的有效性和合理性。使用语言值描述信息时,常常同时给出正反两方面证据的知识,然而带有语言值可信度的近似推理模型忽略了正面证据和反面证据的联系。为了更合理地处理这类语言值知识,本文基于语言值直觉模糊格蕴涵代数,提出了带有语言值直觉模糊可信度的知识表示和近似推理模型,简化了语言值知识表示形式,考虑了正面证据和反面证据相互制约的关系。该模型在单条规则中使用语言值直觉模糊对同时表示正面证据和反面证据,并通过基于近似度的语言值直觉取式推理算法得到子结论;对多条规则支持同一结论的情况,定义了规则聚合算子对子结论进行合并;给出基于直觉语言值-实值赋值函数的排序方法,在需要的情况下对推理结果中存在的不可比语言值直觉模糊对排序。实例说明所提模型对语言值知识的表示和近似推理更加合理和灵活。以上方法中,规则和知识都是由专家根据经验给出。使用证据推理算法的置信规则库推理方法（以下简称RIMER）中,指标集由语言值组成,它可以处理多种类型的不确定性,具有不确定性推理的高可解释性特点,但存在大量的参数需要专家设定。为了减少专家的人工成本和主观谬误,自动生成置信规则库,同时缓解神经网络“黑盒子”机制引起的可解释性低的问题,本文提出了基于RIMER的规则推理网络模型。在该模型中,以RIMER中的基于证据理论的近似推理作为规则推理网络的前馈过程进行信息传递,讨论了近似推理解析函数的可导性,保证了模型的可解释性;借鉴反馈神经网络中的梯度下降法,实现置信规则库中参数的优化,并提出了“伪梯度”的概念来降低算法复杂度;通过分类实验分析所提模型在准确性和可解释性上的优势,实验结果表明该方法既保留了神经网络优异的学习性能,又保留了 RIMER的高可解释性,可为不确定性机器学习提供必要的解释。综上述,本文分别基于语言值格蕴涵代数和语言值直觉模糊格蕴涵代数研究了不确定性环境下带有语言值的近似推理模型,该模型中知识表示和推理更加符合人类思维习惯;研究了基于RIMER的不确定性机器学习方法—规则推理网络,能够自动生成合理的置信规则库,同时缓解神经网络低可解释性的问题。该研究是不确定性人工智能的基础理论研究,对可解释性人工智能的发展有重要的意义。
铁钟[2]（2019）在《文化遗产信息模型的虚拟修复研究》文中认为信息技术的发展改变了文化遗产诠释与展示的模式,文化遗产数字化保护及其理论研究逐渐成为具有跨学科与综合性特征的研究方向。随着对文化遗产信息模型与三维可视化的研究逐渐深入,沉浸式与交互式的三维可视化设计改变了受众感知与汲取历史信息的方式。由于可视化内容无法评估来源和引用参考文献,使得大多数信息模型被认为是一种技术工具,而不是作为一种标准的档案文件为相关研究提供佐证,作为新兴的研究领域需要逐步地建立自身的科学性与规范性。本文在文化遗产信息模型研究的基础之上提出虚拟修复理论,将可视化内容作为开放的数据链接与定制的领域本体,通过感知模拟、定位跟踪、三维打印、逆向建模与虚拟现实等技术手段,建立跨学科的交互性研究框架,解决文化遗产多元化带来的数据异构性问题,最终建立虚拟修复的三维可视化研究方法与原则。研究首先从现代文化遗产保护发展史切入,对现行保护原则进行了分析,从历史文化价值认知的角度提出了虚拟修复研究的必要性;其次数字技术的思维模式不同于人类的思维模式,计算的过程忽略了情感和精神的价值,但价值理性的实现,必须以工具理性为前提。这就需要在全面的文献和实证基础之上,对虚拟修复的技术思维模式进行内容判断与自我审视。针对于三维可视化数据的异构性等研究难点,依据数据的采集方法与文献特征,提出了信息模型虚拟修复的可视化解决方案。将计算机科学的工具引入人文研究的过程中,因可视化内容不可控的主观特性,需要将其放在持续的批评理论体系中,批评应该先于可视化的产生,而不是事后证明的手段;最后,基于虚拟修复的信息模型构建,对信息建模的本体与语义进行了深入的研究,并对与之相关的解释性、整体性和交互性等问题进行了逐一分析并加以解决。通过交互元数据的引入,加强虚拟修复的透明度,并将这种虚拟修复的理论体系在敦煌数字化展示设计项目中加以实践。为了保护日益受到威胁的文化遗产,三维可视化作为一种开放性、交互性和系统性的知识体系框架,逐渐纳入文化遗产保护项目管理与长期保护的机制中。同时虚拟修复也被视作一种交互性的解读行为,一种明确的内省方法,帮助我们更好地理解文化遗产的文化与历史价值,从而推动文化遗产原真性与整体性保护的发展。
罗勇,郭雅默,刘冲[3]（2017）在《基于Pareto烟花算法的模糊分类系统设计》文中进行了进一步梳理为提高模糊模型的精确性,利用烟花算法并结合Pareto最优解集的概念,提出一种模糊建模方法。采用模糊聚类方式构建初始模糊模型,使用烟花算法对模型的结构和参数进行优化学习。在每次迭代运算过程中,通过快速非支配排序算法和Pareto最优解集的概念对子代进行评估和选择。对Wine数据样本集进行仿真实验,结果表明,该方法能够在保证较高分类精度的前提下,建立结构简单、易于理解的模糊分类系统。
刘冲[4]（2016）在《基于烟花算法的模糊建模方法研究》文中研究说明模糊系统具有处理不确定或者不完备信息的能力,并能够融合专家知识,通过易于理解的方式描述实际问题,因而,被广泛应用于模式识别、数据挖掘等领域。本文针对模糊系统的精确性和解释性进行研究,采用烟花算法优化模糊模型的结构和参数,目的是建立精确性和解释性较好折衷的模糊模型。介绍了模糊系统的结构及其特征。针对Takagi-Sugeno模糊系统和模糊分类系统,阐述了模糊规则的结构及其组成参数,介绍了模糊系统的输出计算方法。从输入变量、模糊集合、模糊规则三个方面定性分析了模糊系统的解释性。对于高维系统,首先对特征变量进行选择,以降低系统的维度。模糊建模过程主要包含两部分:初始模型的构建和模型的优化。采用模糊C均值算法构建初始模糊模型,然后采用烟花算法对模型的结构参数进行优化,提高模型的精确性和解释性。在优化过程中,采用相似相融原理约简模型的规则和集合,在满足精确度要求的前提下,提高模型的解释性。采用基于模糊聚类和烟花算法的模糊建模方法,对一类二阶非线性系统和三类典型分类问题进行实验仿真。为了进一步提高模型的优化效果,对烟花算法进行改进,将烟花算法和差分进化算法相结合,加强种群中个体之间的联系,提高种群的多样性,扩大搜索空间,避免过早成熟收敛。在优化迭代过程中,根据精确性和解释性的目标函数值,利用非支配排序算法和密集度评估算法对个体进行排序,并结合Pareto最优解集的概念对子代进行选择。采用该模糊建模算法对一类二阶非线性系统和三类典型分类问题建立相应的模糊模型进行实验仿真,并将实验仿真结果与其它建模方法进行比较,比较结果验证了该建模方法能够在保证较高精确度的前提下,建立结构简单、易于理解的模糊模型。
卢伟[5]（2015）在《基于粒计算的时间序列分析与建模方法研究》文中研究表明在当今大数据时代,个体样本数据不再是关注的焦点,而对数据的理解和认知要远比个体样本数据重要。传统的时间序列建模方法由于（1）其建模过程过分依赖于个体样本数据使得所构建的模型缺乏“可解释性”；（2）所构建的模型是以追求“数值”层面的“精确性”为目标,然而在大数据环境下,模型的精确性不是绝对必要的；（3）所构建的模型的输出是单一的数值数据,这在大数据环境下很难为用户所理解和认知,因而,它已不能完全满足当今大数据时代背景下的时间序列分析和建模的实际应用需要。作为当前计算智能领域新兴的、发展最快的信息处理范式之一,“粒计算”具有揭示人类处理复杂信息的粒化认知机理的能力,它能够将具有不同理论基础的形式体系（如集合论、模糊集、粗糙集等）联系到一起,形成一个统一的表示、描述、计算和处理信息粒的平台,这有可能诞生新的计算智能理论与方法。在这一背景下,本文从模拟人类处理复杂信息问题的粒化认知机理出发,借鉴模糊集理论思想和建模方法,紧紧围绕基于粒计算的时间序列分析和建模的三个核心问题——时间序列的合理信息粒化、基于信息粒化的时间序列分析与解释和基于信息粒化的时间序列建模,开展了研究,获得的主要研究成果包括：（1）针对在时间序列信息粒化过程中,传统的信息粒化方法只能对时间窗口上的数据在单一信息粒度水平下进行信息粒化,这可能导致产生的信息粒无法捕获相应数据的本质特征这一问题,提出了时间序列的多粒度区间信息粒化方法。所提出的粒化方法能够在区间形式体系下,通过引入信息粒的合理性和特殊性概念,将时间序列在相应时间窗口上信息粒的合理构造问题转换为一个受变量α∈[0,1]约束的区间信息粒边界的优化问题,而变量a则代表了对时间序列相应时间窗口上的数据进行信息粒化时所使用的信息粒度水平。通过在不同的α取值下,对该优化问题进行求解,来诱导相应α信息粒度水平下的区间信息粒,即可实现对时间序列同一时间窗口上所呈现数据的多粒度信息粒化。使用提出的多粒度区间信息粒化方法粒化数据时,将产生一系列嵌套的区间信息粒,它们能够被看成一个整体,即区间套信息粒,它代表了时间序列相应时间窗口上所呈现的数据在不同信息粒度水平下进行区间信息粒化的结果。（2）针对时间序列的粒化分析与解释问题,提出了一种粒特征空间中具有“嵌套”矩形几何结构的“矩形套信息粒”的聚类方法。该方法从几何角度,揭示了在粒特征空间中，由时间序列的幅值和它的一阶差分序列分别经过“多粒度区间信息粒化”所形成的“矩形套信息粒”的结构特征和它的表示方法,并借鉴模糊C-均值聚类的方法,利用矩形套信息粒的可分解和可合成特性,实现了对粒特征空间中与时间窗口相关的矩形套信息粒的聚类。更进一步,考虑在粒特征空间中所形成的粒原型蕴含着描述时间序列在相应时间窗口上所呈现数据动态特征的语义,这样,可通过计算粒特征空间中与时间窗口相关的矩形套信息粒同这些粒原型之间的匹配程度来实现基于信息粒化的时间序列分析与解释。多组时间序列数据集上的实验结果表明,基于提出的矩形套信息粒的聚类方法去分析和解释时间序列与人从粒化认知机理出发去分析时间序列所获得的结果完全一致。（3）提出了基于多粒度区间信息粒化的时间序列层次化建模方法和两个时间序列粒模型性能评价指标,实现了时间序列的粒化建模。所提出的粒化建模方法从人类处理复杂信息问题的粒化认知机理出发,在考虑时间序列的幅值和它的一阶差分序列的基础上,充分借鉴了模糊建模的基本思想,通过“多粒度区间信息粒化”来压缩时间序列规模,并将原始时间序列转换为粒时间序列；通过对粒特征空间中的矩形套信息粒进行聚类来获得用于描述时间序列在相应时间窗口上所呈现数据动态特征的语义描述,从而将领域知识融入到建模过程中;通过挖掘时间序列相应时间窗口在粒特征空间中形成的矩形套信息粒之间的动态因果关系形成时间序列粒模型。相关的实验结果表明,依据本文提出的基于多粒度区间信息粒化的时间序列层次化建模方法所构建的模糊认知图时间序列粒模型具有良好的可解释性,其输出是一个具有语义描述的信息粒（区间）,反映了时间序列在相应时间窗口上数据的整体动态特征（语义）和变化范围（区间）,这更容易被用户理解和认知,从而为用户做出合理的决策提供有效的支撑。
季海燕[6]（2013）在《进化多目标模糊建模与塞拉门模糊FMECA分析研究》文中研究表明自模糊理论诞生以来,其在数据挖掘、预测与控制、分类等领域得到了广泛的应用。模糊建模是模糊理论与应用中一个重要的研究方向,它分为解释性模糊建模与精确性模糊建模两种,前者主要关心精确性,而后者更注重解释性。如何取得精确性与解释性的较好折衷是目前模糊建模中重点研究问题之一,因此本论文将其作为主要研究内容。此外,从现场应用角度考虑,模糊数学与可靠性分析的结合是将模糊理论应用于工程实际的有效方法,故本文也对此进行了研究。本文对模糊建模方法进行了理论研究,并对模糊理论的工程应用进行了探讨,主要工作如下：研究了一种基于模糊规则及规则前件选择的模糊建模方法。首先,基于C4.5算法或WM算法构建初始模糊分类系统或Mamdani模糊模型；然后,采用多目标进化算法NSGA-Ⅱ优化所得模糊模型。与许多已有研究成果不同,该方法在优化隶属函数参数以提高模型精确性的同时,采用对模糊规则和规则前件进行选择的方式,以提高模型的解释性,从而建立了精确性与解释性较好折衷的模糊分类系统和Mamdani模糊模型。通过典型Benchmark（?）问题的建模仿真试验和与其它文献结果的比较,验证了该方法的有效性。研究了一种基于论域划分粒度优化的模糊建模方法。该方法对论域划分粒度和隶属函数参数进行编码,利用多目标进化算法NSGA-Ⅱ优化输入变量和论域划分粒度。为进一步提高模型的精确性和解释性,对论域划分粒度优化后的模糊模型进行了再次优化,从而获得了精确性和解释性的较好折衷。将该方法应用于模糊分类系统和Mamdani模糊模型的建模,典型Benchmark问题的建模仿真试验结果及与其他文献结果的比较验证了该方法的有效性。研究了将层次分析法、模糊评价理论与FMECA相结合的模糊FMECA可靠性分析方法,并将其应用于某地铁二号线车辆塞拉门系统的可靠性分析,所得结果与现场调研的实际情况相一致,验证了模糊FMECA方法的有效性。综上,本文从理论研究和工程应用两个方面对模糊理论进行了深入的探讨,所提出方法均得到有效验证,可以为今后的模糊理论及其应用相关研究提供参考。
朱丽花[7]（2012）在《具有最优结构的进化模糊系统用于操作员功能状态评估》文中进行了进一步梳理在复杂人机系统中,操作员功能状态（Operator Functional States, OFS）是影响系统安全性的一个重要因素。本文基于aCAMS仿真系统实验中采集到的一系列操作员电生理信号及性能数据,采用协同进化模糊（Fuzzy Cooperative Coevolutionary, FCC）建模方法建立OFS模型,实现对OFS的评估及预测。该方法将模糊模型的主要因素,如模糊规则的前件/后件、隶属函数参数编码为不同的种群,同时优化模糊模型的结构与参数,算法中种群个体适应度函数同时考虑模型的精确性和解释性,采用分量加权求和法将多目标优化转化为单目标优化。首先将该方法用于几个UCI标准分类数据集的的建模仿真,验证该建模方法的通用有效性。然后针对于OFS建模中5个EEG和ECG指标对不同被试OFS的敏感度不同,通过Simba算法计算这些指标的重要性来进行变量选择,确定OFS模型的初始结构,再用协同进化算法对其进行结构和参数上的优化。最后的建模结果表明,协同进化模糊建模方法用于OFS的建模是有效的,优化后的模型精度在可接受范围内,所涉及的模糊规则和模糊子集总数较之优化前均有较大幅度的减少,模型结构得到了简化,模型兼具良好的精确性和可解释性。与基于GA的建模方法相比,FCC用于OFS建模展现了更加优越的性能,所建立的模型基本能反应OFS的实际变化趋势,具有一定的预测能力,可用于自适应系统中,根据模型预测结果,适时调整系统控制策略,从而实现智能化人机交互系统。
张永,黄成,徐志良,吴晓蓓[8]（2011）在《基于微分进化算法的模糊模型设计》文中研究表明提出一种基于微分进化算法的TS模糊模型设计方法。该方法利用"匹茨堡型"实数编码的微分进化算法,对初始模糊模型的结构和参数进行学习。微分进化算法的目标函数同时考虑模型的精确性和解释性。利用该方法进行一类合成非线性动态系统的辨识,仿真结果验证了该方法的有效性。
李继东[9]（2011）在《遗传模糊分类系统构建中规则获取和解释性优化的关键技术研究》文中研究指明使用遗传算法对基于规则的模糊分类系统进行学习和优化是模式分类中的一个重要分支,在具有非精确和非确定信息的分类应用中具有重要的理论和应用价值。该类方法在复杂环境中面临着两个挑战：一是遗传算法的搜索效率导致的准确性问题,二是分类规则集的复杂程度导致的解释性问题。这两个问题直接制约了系统在现实中的应用。本文围绕着这两个问题展开研究,主要的研究工作体现在以下三个方面。（1）按照词语计算的概念,对分类规则采用词语的形式进行描述。根据5个原子词语及给出的4个语言限定的相似性变换方法构成分类规则的模糊隶属函数,采用语言建模的方法,使规则的条件设置符合人类推理的机制。在此基础上,设计了将专家知识融入系统构建过程中的方法,并根据传统的遗传机器学习方法,给出了以准确性为目标的模糊规则自动获取的算法,包括编码、适应度函数、遗传操作及一些特殊策略。（2）针对遗传算法在高维及不平衡数据分布的情况下难以进行全局搜索的问题,将共享和排挤两类小生境技术应用于模糊规则的学习中,获取较优的特征属性或分类边界。对传统机器学习方法的搜索能力进行分析,据此给出模糊规则之间相似度（距离）的度量,采用适应度共享和确定性排挤,减轻典型算法选择机制对低适应值的个体的选择压力,保持种群的多样性,从而保证算法对整个问题空间的有效搜索。同时,预先缓存各语言词语间的相似性值,减少算法运行中规则间相似度的计算量。实验采用构造出的一系列分类数据分布以及标准的测试数据集对传统和基于小生境的学习方法进行测试,表明引入了小生境的学习算法能在高维及不平衡的数据分布上获取比传统方法准确率较高的模糊分类规则。（3）阐述了解释性的各指标,分析了系统构建过程的不同阶段中对各指标的要求。针对语言建模的方法仍需以合适的模糊规则数目、规则条件数目以保证良好解释性的问题,结合准确性将基于相似性简化和基于Pareto的NSGA-Ⅱ的多目标优化算法应用于模糊分类系统的优化。简化算法以聚集函数法将多目标转换为单目标,对已有的模糊规则集进行优化,而NSGA-Ⅱ算法以Pareto秩作为适应度值,通过对训练数据集的直接学习而能产生不同的非支配解集,提供不同的折衷方案供决策者进行选择。通过在标准测试集上的实验,将本文的方法与C4.5及GP-COACH方法进行比对及分析各方法的性能。
王锋[10]（2009）在《基于遗传模糊的分类系统设计与优化》文中指出数据库内容丰富,蕴藏着大量可以用来做智能商务决策和科学推断的信息。构建适用于大型数据库的精确而高效的分类器是数据挖掘和机器学习研究的核心任务之一。模糊逻辑是进行数据挖掘的理论和工具之一,由于模糊逻辑可以处理不精确的知识,进行不精确的推理,因而将模糊逻辑用于数据挖掘的分类成为近来研究的热点。另外,由于模糊系统自学习能力的缺失使人们对增强模糊系统学习能力的研究产生了浓厚的兴趣,引入软计算领域的进化算法所形成的遗传模糊系统（Genetice Fuzzy System, GFS）已被提出并应用,GFS在系统的自学习、自适应以及优化能力方面体现了它的巨大价值。本文对遗传模糊系统在数据挖掘上的应用进行了如下研究:第一,为了解决初始数据集的有效模糊划分问题,提出了一种基于竞争聚集（Competitive Agglomeraion, CA）的模糊聚类算法,有效解决了传统模糊c-均值聚类算法（Fuzzy c-Means, FCM）无法预知给定数据集的最优划分类数的问题。CA算法成功实现了对数据库中不同结构和属性的数据单元进行分类和模糊集优化,并将划分得到的优化的模糊集表示成特定的隶属度函数模型以用于构建模糊分类系统（Fuzzy Classification System, FCS）的数据库（Data Base, DB）。实验部分分别采用FCM算法和CA算法对给定数据集进行模糊聚类,实验结果表明,采用CA算法更能体现数据分布的差异性,划分结果更具合理性。第二,为了对模糊划分得到的新数据库进行模糊关联规则的挖掘,本文根据模糊关联规则的特性及相关定义,对传统关联规则挖掘算法—Apriori算法进行改进,提出了模糊关联规则的挖掘算法,解决了模糊分类系统规则库（Rule Base, RB）的构建问题。实验部分对聚类生成的数据库应用模糊关联规则挖掘算法进行关联规则的挖掘,得到不小于给定最小支持率和最小信任度的模糊关联规则,实验结果验证了此算法的有效性。第三,精度和精简度是模糊分类系统设计的两个重要指标,针对初步得到的模糊分类系统存在的知识库冗余和分类精度低的问题,提出了基于遗传模糊的模糊分类系统优化方法,主要分为RB的遗传学习和DB的遗传调整。实验部分对构建的模糊分类系统分别进行模糊规则集的精简和隶属度模型参数的遗传调整,实验结果表明采用此方法不仅精简了冗余规则库并使分类精度有了很大程度的提升,有效验证了本章所提方法的可行性。为验证本文方法的有效性,以Diabetes数据库为例进行了仿真实验,并和几种比较通用的分类方法的实验结果进行比较。从仿真结果可以看出,本文提出的方法能够以较高的分类精度、较少的输入变量和模糊关联规则实现模糊分类系统的设计,达到精确性与解释性的折衷。
二、一种模糊建模方法的研究:精确性与解释性的折衷(英文)（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种模糊建模方法的研究:精确性与解释性的折衷(英文)（论文提纲范文）
（1）不确定性环境下的语言值推理及规则学习研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 不确定性环境下存在语言值信息 |
| 1.1.2 机器学习面临不确定性环境制约 |
| 1.1.3 可解释性人工智能的发展需求 |
| 1.2 不确定性环境下的格序语言值研究 |
| 1.2.1 格蕴涵代数 |
| 1.2.2 格蕴涵代数上的语言值 |
| 1.3 置信规则库推理方法研究 |
| 1.3.1 RIMER模型及其应用 |
| 1.3.2 RIMER的自动更新算法 |
| 1.4 不确定性机器学习及其可解释性研究 |
| 1.4.1 模糊机器学习 |
| 1.4.2 模糊模型的可解释性 |
| 1.4.3 神经网络可解释性 |
| 1.5 面临的问题 |
| 1.6 研究内容 |
| 1.6.1 主要研究内容 |
| 1.6.2 本文内容安排 |
| 2 语言值相关研究基础 |
| 2.1 引言 |
| 2.2 语言真值格蕴涵代数 |
| 2.3 语言真值直觉模糊格蕴涵代数 |
| 2.4 语言真值直觉模糊格的距离测度 |
| 2.4.1 语言真值直觉模糊二元组 |
| 2.4.2 语言真值直觉模糊格距离 |
| 2.4.3 基于语言真值直觉模糊格距离的决策方法 |
| 2.5 本章小结 |
| 3 基于语言值格蕴涵代数的近似推理 |
| 3.1 引言 |
| 3.2 基于LMP和LMT的近似推理 |
| 3.2.1 LMP和LMT形式表示 |
| 3.2.2 基于相似度的LMP和LMT推理方法 |
| 3.3 语言值权重和不可比语言值排序问题 |
| 3.3.1 语言值权重 |
| 3.3.2 语言值不可比元的排序 |
| 3.3.3 基于语言值近似推理的评价方法 |
| 3.3.4 实例说明 |
| 3.4 本章小结 |
| 4 基于语言值直觉模糊格的近似推理方法 |
| 4.1 引言 |
| 4.2 带有语言值直觉模糊可信度的近似推理 |
| 4.2.1 知识表示模型 |
| 4.2.2 近似推理方法 |
| 4.2.3 多规则聚合 |
| 4.2.4 不可比语言值直觉模糊对排序 |
| 4.3 基于语言值直觉模糊近似推理的评价方法 |
| 4.3.1 评价方法描述 |
| 4.3.2 个人可信度风险评价实例 |
| 4.3.3 车辆评价实例 |
| 4.4 本章小结 |
| 5 基于规则推理网络的分类模型 |
| 5.1 引言 |
| 5.2 基于RIMER的推理机制 |
| 5.2.1 置信规则库知识表示 |
| 5.2.2 基于证据推理算法的近似推理 |
| 5.3 规则推理网络 |
| 5.3.1 算法理论基础 |
| 5.3.2 框架结构 |
| 5.3.3 训练算法 |
| 5.4 实验及分析 |
| 5.4.1 算法描述 |
| 5.4.2 实验结果 |
| 5.4.3 结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 附录A RIMER推理解析函数偏导数求解 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（2）文化遗产信息模型的虚拟修复研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 研究现状 |
| 第二节 文献综述 |
| 第三节 研究方法 |
| 第四节 研究目的与意义 |
| 第二章 修复理念与历史框架 |
| 第一节 现代保护运动的发展 |
| 一、早期的修复概念 |
| 二、修复理念的批判性实践 |
| 三、二战的影响 |
| 第二节 古雅的追求 |
| 第三节 整旧如旧的中国理念 |
| 第三章 虚拟修复的工具论 |
| 第一节 虚拟修复的语义演变 |
| 一、虚拟考古 |
| 二、数字考古 |
| 三、虚拟遗产 |
| 第二节 虚拟的诠释与展示 |
| 第三节 虚拟修复的时间性 |
| 第四章 可视化数据额保存、内容访问与分析 |
| 第一节 数据本体研究 |
| 第二节 可视化数据的文献特征 |
| 第三节 可视化数据的采集方法 |
| 第四节 数据的异构性 |
| 一、斯卡尔左拉花园 |
| 二、佛罗伦萨火车站竞赛设计 |
| 三、东园胜概图界画重建 |
| 四、数据的思维 |
| 第五节 可视化元数据集成 |
| 一、元数据标准 |
| 二、基于本体的概念参考模型 |
| 三、语义的表达 |
| 第六节 交互元数据 |
| 第七节 可视化三维格式的保存与访问 |
| 第八节 数据生命周期 |
| 第五章 虚拟修复的信息模型构建 |
| 第一节 信息建模 |
| 一、编码、语义与解码 |
| 第二节 虚拟修复信息模型 |
| 一、历史建筑信息模型 |
| 二、信息模型构建流程 |
| 三、虚拟修复信息模型的本体、语义与重构 |
| 第三节 信息模型诊断与评估 |
| 第六章 虚拟修复的信息重构与解读 |
| 第一节 QUADRATURA幻境 |
| 第二节 虚拟修复的信息重构 |
| 第三节 现实的虚拟构建 |
| 一、虚拟的可靠性 |
| 二、严肃游戏 |
| 三、混合现实的交互性 |
| 第四节 虚拟现实与现象学 |
| 一、器官的投影 |
| 二、引入解释性 |
| 三、现象学的感知 |
| 四、场所精神与整体性保护 |
| 第五节 综合性描述解决方案 |
| 一、敦煌158 窟的实验 |
| 二、虚拟沉浸感与三维打印 |
| 第七章 虚拟修复的数字化国际框架 |
| 第一节 文化遗产数字化国际框架的形成 |
| 第二节 重建的批判性实践 |
| 第三节 伦敦宪章 |
| 一、三维可视化 |
| 二、不同学科领域的应用性 |
| 三、信息透明 |
| 四、交互元数据 |
| 五、可持续性 |
| 第四节 塞维利亚原则 |
| 第八章 数字化的理性反思 |
| 第一节 对个体感知的反思 |
| 第二节 对虚拟的反思 |
| 第三节 对真实性的反思 |
| 第四节 对可逆性的反思 |
| 第五节 对可视化的反思 |
| 结语真实的虚拟修复 |
| 参考文献 |
| 后记 |
| 附录 |
| 莫高窟158 窟Digitization结构关系图 |
| 伦敦宪章THE LONDON CHARTER(中英文版) |
（3）基于Pareto烟花算法的模糊分类系统设计（论文提纲范文）
| 0概述 |
| 1 模糊分类系统 |
| 2 模糊分类系统的初始化 |
| 3 模糊分类系统的优化 |
| 3.1 烟花算法 |
| 3.2 染色体编码 |
| 3.3 适应度函数 |
| 3.4 进化策略 |
| 3.5 模糊分类系统的设计步骤 |
| 4 实验与结果分析 |
| 5 结束语 |
（4）基于烟花算法的模糊建模方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 2 模糊系统及其特性 |
| 2.1 模糊系统的结构 |
| 2.2 常见的模糊系统 |
| 2.2.1 T-S模糊系统 |
| 2.2.2 模糊分类系统 |
| 2.3 模糊系统的特征 |
| 2.3.1 模糊系统的精确性 |
| 2.3.2 模糊系统的解释性 |
| 2.4 本章小结 |
| 3 初始模糊模型的构建 |
| 3.1 引言 |
| 3.2 模糊系统辨识的描述 |
| 3.3 T-S模糊模型的初始化 |
| 3.3.1 T-S模糊模型前件参数的辨识 |
| 3.3.2 T-S模糊模型后件参数的辨识 |
| 3.3.3 算法步骤 |
| 3.4 模糊分类模型的初始化 |
| 3.4.1 输入变量的选择 |
| 3.4.2 模型参数的辨识 |
| 3.4.3 算法步骤 |
| 3.5 本章小结 |
| 4 基于烟花算法的模糊模型设计 |
| 4.1 引言 |
| 4.2 烟花算法 |
| 4.3 初始烟花群体的建立和编码 |
| 4.4 适应度函数 |
| 4.5 模糊模型设计步骤 |
| 4.6 实验仿真 |
| 4.6.1 T-S模糊模型的实验仿真 |
| 4.6.2 模糊分类模型的实验仿真 |
| 4.7 本章小结 |
| 5 基于Pareto混合烟花—差分进化算法的模糊模型设计 |
| 5.1 引言 |
| 5.2 多目标优化问题 |
| 5.3 混合烟花—差分进化算法 |
| 5.4 子代选择策略 |
| 5.5 模糊模型的设计步骤 |
| 5.6 实验仿真 |
| 5.6.1 T-S模糊模型的实验仿真 |
| 5.6.2 模糊分类模型的实验仿真 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（5）基于粒计算的时间序列分析与建模方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 粒计算及其研究进展 |
| 1.2.1 粒计算的基本概念 |
| 1.2.2 粒计算的研究进展 |
| 1.3 基于粒计算的时间序列分析与建模研究现状 |
| 1.4 基于粒计算的时间序列分析与建模的三个核心问题 |
| 1.4.1 时间序列的合理信息粒化 |
| 1.4.2 基于信息粒化的时间序列分析与解释 |
| 1.4.3 基于信息粒化的时间序列建模 |
| 1.5 本文的研究内容和结构 |
| 2 时间序列的多粒度区间信息粒化 |
| 2.1 引言 |
| 2.2 常用的时间序列信息粒化方法 |
| 2.2.1 基于区间的时间序列信息粒化 |
| 2.2.2 基于模糊集的时间序列信息粒化 |
| 2.2.3 基于聚类的时间序列信息粒化 |
| 2.3 时间序列的多粒度区间信息粒化方法 |
| 2.3.1 问题的提出 |
| 2.3.2 时间序列的多粒度区间信息粒化 |
| 2.3.3 时间序列的多粒度区间信息粒化方法示例 |
| 2.4 时间序列多粒度区间信息粒化方法的应用 |
| 2.4.1 模糊时间序列建模中的论域划分问题 |
| 2.4.2 基于多粒度区间信息粒化的模糊时间序列论域划分方法 |
| 2.4.3 数值实验 |
| 2.4.3.1 时间序列数据集 |
| 2.4.3.2 实验方法 |
| 2.4.3.3 实验结果与分析 |
| 2.5 本章小结 |
| 3 基于信息粒化的时间序列分析与解释 |
| 3.1 引言 |
| 3.2 基于多粒度区间信息粒化的时间序列分析与解释方法 |
| 3.3 粒特征空间中矩形套信息粒的聚类方法 |
| 3.3.1 模糊C-均值聚类算法 |
| 3.3.2 粒特征空间中矩形套信息粒的聚类 |
| 3.3.2.1 粒特征空间中矩形套信息粒原型的构造 |
| 3.3.2.2 粒特征空间中矩形套信息粒与粒原型之间匹配程度的计算 |
| 3.4 数值实验 |
| 3.4.1 三个金融时间序列数据集 |
| 3.4.2 实验过程及结果 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 4 基于信息粒化的时间序列建模 |
| 4.1 引言 |
| 4.2 基于多粒度区间信息粒化的时间序列层次化建模方法 |
| 4.3 时间序列粒模型性能的评价 |
| 4.4 基于模糊认知图的时间序列粒模型 |
| 4.4.1 区间操作 |
| 4.4.2 模糊认知图 |
| 4.4.3 基于模糊认知图的时间序列粒化建模方法 |
| 4.5 数值实验 |
| 4.5.1 基于模糊认知图的上证综合指数时间序列粒模型 |
| 4.5.2 相关参数对模糊认知图的时间序列粒模型性能的影响 |
| 4.5.3 不同的单一信息粒度对模糊认知图时间序列粒模型性能的影响 |
| 4.5.4 实验结果分析 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（6）进化多目标模糊建模与塞拉门模糊FMECA分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 1 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 模糊建模的研究现状 |
| 1.2.2 模糊可靠性分析的研究现状 |
| 1.3 本文研究内容及安排 |
| 2 基础知识 |
| 2.1 模糊集合及其基本运算 |
| 2.2 模糊系统结构 |
| 2.3 常用模糊模型 |
| 2.3.1 模糊分类系统 |
| 2.3.2 Mamdani模糊模型 |
| 2.4 模糊系统的解释性 |
| 2.5 多目标优化问题 |
| 2.6 多目标进化算法 |
| 2.7 本章小结 |
| 3 基于模糊规则及规则前件选择的模糊模型设计 |
| 3.1 基于模糊规则及规则前件选择的模糊分类系统设计 |
| 3.1.1 C4.5决策树算法 |
| 3.1.2 模糊分类系统的多目标进化算法 |
| 3.1.3 模糊分类系统的设计流程 |
| 3.1.4 仿真算例 |
| 3.2 基于模糊规则及规则前件选择的模糊模型设计 |
| 3.2.1 WM法构建初始模糊模型 |
| 3.2.2 Mamdani模糊模型的多目标进化算法 |
| 3.2.3 模糊模型的设计流程 |
| 3.2.4 仿真算例 |
| 3.3 本章小结 |
| 4 基于论域划分粒度优化的模糊模型设计 |
| 4.1 基于论域划分粒度优化的模糊分类系统设计 |
| 4.1.1 模糊决策树 |
| 4.1.2 模糊分类系统的多目标进化算法 |
| 4.1.3 基于论域划分粒度优化的模糊分类系统设计流程 |
| 4.1.4 仿真算例 |
| 4.2 基于论域粒度划分优化的模糊模型设计 |
| 4.2.1 Mamdani模糊模型的多目标进化算法 |
| 4.2.2 基于论域划分粒度优化的模糊模型设计流程 |
| 4.2.3 仿真算例 |
| 4.3 本章小结 |
| 5 模糊可靠性分析 |
| 5.1 故障类型影响危害分析(FMECA) |
| 5.2 层次分析法 |
| 5.3 模糊评价理论 |
| 5.4 模糊FMECA应用于车门系统的可靠性分析 |
| 5.4.1 塞拉门基本结构及其故障部位统计 |
| 5.4.2 塞拉门系统的模糊FMECA分析 |
| 5.5 本章小结 |
| 6 结论 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）具有最优结构的进化模糊系统用于操作员功能状态评估（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究现状 |
| 1.3 课题研究意义 |
| 1.4 论文的主要工作和结构安排 |
| 第2章 实验设计及数据处理 |
| 2.1 电生理信号简介 |
| 2.1.1 脑电信号EEG |
| 2.1.2 心电信号ECG |
| 2.2 实验环境 |
| 2.3 实验设计 |
| 2.4 数据采集 |
| 2.5 数据预处理 |
| 2.6 本章小结 |
| 第3章 模糊系统和协同进化算法 |
| 3.1 模糊理论基础 |
| 3.1.1 模糊集合和隶属函数 |
| 3.1.2 模糊关系 |
| 3.1.3 语言变量和模糊IF-THEN规则 |
| 3.2 模糊系统 |
| 3.2.1 模糊规则库 |
| 3.2.2 模糊推理机 |
| 3.2.3 模糊器和解模糊器 |
| 3.3 协同进化算法 |
| 3.3.1 协同进化的发展和研究现状 |
| 3.3.2 合作型协同进化算法 |
| 3.4 基于协同进化的模糊建模 |
| 3.4.1 模型分解和种群个体的编码方案 |
| 3.4.2 种群个体适应度函数 |
| 3.4.3 个体适应度计算方式 |
| 3.4.4 两种群的进化操作 |
| 3.5 本章小结 |
| 第4章 UCI分类数据集的FCC建模 |
| 4.1 SIMBA输入变量选择法 |
| 4.2 WBCD分类问题 |
| 4.3 WINE分类问题 |
| 4.4 CREDIT APPROVAL分类问题 |
| 4.5 其他分类问题 |
| 4.6 协同进化模糊建模参数的选择与分析 |
| 4.6.1 模糊模型的参数 |
| 4.6.2 协同进化算法的参数 |
| 4.7 本章小结 |
| 第5章 OFS的FCC建模与分析 |
| 5.1 OFS协同进化模糊建模 |
| 5.1.1 输入变量选择 |
| 5.1.2 数据归一化 |
| 5.1.3 建模的具体步骤 |
| 5.2 建模结果与分析 |
| 5.2.1 以TIR作为输出变量的建模结果 |
| 5.2.2 以DTP作为输出变量的建模结果 |
| 5.3 FCC-MAMDANI与GA-MAMDANI建模方法的结果比较与分析 |
| 5.4 本章小结 |
| 第6章 总结与下一步的工作 |
| 6.1 总结 |
| 6.2 下一步的工作 |
| 参考文献 |
| 致谢 |
（9）遗传模糊分类系统构建中规则获取和解释性优化的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 基于知识的模糊技术 |
| 1.2 遗传模糊分类系统 |
| 1.2.1 遗传模糊分类系统的结构 |
| 1.2.2 遗传模糊分类系统的研究现状 |
| 1.3 研究内容 |
| 第二章 模糊逻辑与遗传算法 |
| 2.1 模糊集合理论 |
| 2.2 模糊规则及模糊推理 |
| 2.2.1 语言变量及模糊规则 |
| 2.2.2 模糊推理系统 |
| 2.3 模糊分类系统的性能指标 |
| 2.4 遗传算法结构 |
| 2.5 早熟收敛及其抑制 |
| 第三章 基于语言建模的模糊隶属函数 |
| 3.1 词语计算 |
| 3.1.1 词语计算背景 |
| 3.1.2 词语计算结构 |
| 3.2 专家知识的融合 |
| 3.2.1 融合专家知识的模糊分类系统 |
| 3.2.2 基于语言建模的词语选择和变换 |
| 3.3 实验与分析 |
| 3.4 本章小结 |
| 第四章 分类规则自动获取的遗传机器学习方法 |
| 4.1 遗传机器学习简介 |
| 4.2 基于机器学习的模糊遗传算法 |
| 4.3 遗传模糊学习算法设计 |
| 4.3.1 编码及初始基因池策略 |
| 4.3.2 规则分类结果的确定 |
| 4.3.3 适应度函数 |
| 4.3.4 选择、精英选择及覆盖算法 |
| 4.3.5 交叉和变异 |
| 4.4 实验与分析 |
| 4.4.1 测试数据集 |
| 4.4.2 遗传学习参数设置及结果 |
| 4.4.3 实验分析 |
| 4.5 本章小结 |
| 第五章 小生境的遗传模糊学习方法 |
| 5.1 小生境技术 |
| 5.1.1 共享 |
| 5.1.2 排挤 |
| 5.2 传统遗传模糊学习方法搜索能力的分析 |
| 5.3 基于小生境的遗传模糊学习方法 |
| 5.3.1 相似性测度的定义 |
| 5.3.2 适应度共享 |
| 5.3.3 排挤 |
| 5.3.4 学习算法描述 |
| 5.4 分类测试问题的设置 |
| 5.5 实验与分析 |
| 5.5.1 测试分类问题的构造及实验结果 |
| 5.5.2 标准数据上的实验结果 |
| 5.6 本章小结 |
| 第六章 系统解释性及多目标遗传优化算法 |
| 6.1 模糊分类系统的解释性 |
| 6.2 分类系统的解释性分析 |
| 6.2.1 规则获取阶段的解释性 |
| 6.2.2 规则集合解释性优化的分析 |
| 6.3 多目标优化的遗传算法 |
| 6.3.1 多目标优化问题及常见的算法 |
| 6.3.2 相似性简化的优化算法 |
| 6.3.3 基于Pareto方法的优化算法 |
| 6.4 实验与分析 |
| 6.4.1 相似性简化算法的实验 |
| 6.4.2 NSGA-Ⅱ优化算法的实验 |
| 6.5 本章小结 |
| 第七章 总结 |
| 7.1 总结 |
| 7.2 进一步的工作 |
| 参考文献 |
| 致谢 |
| 在读期间承担的科研项目和发表的学术论文 |
（10）基于遗传模糊的分类系统设计与优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 数据挖掘中的分类及其研究现状 |
| 1.2 遗传模糊系统 |
| 1.3 分类系统建模的困难及解决方案 |
| 1.4 本文的主要内容 |
| 第2章 遗传模糊系统理论 |
| 2.1 基于规则的模糊系统 |
| 2.2 遗传算法 |
| 2.3 模糊系统的遗传优化机制 |
| 2.3.1 GFS 系统的优化类型 |
| 2.3.2 FRBS 系统的遗传调整 |
| 2.3.3 FRBS 系统的遗传学习 |
| 2.3.4 遗传学习中的规则编码及进化处理 |
| 2.4 小结 |
| 第3章 基于模糊聚类的数据库生成 |
| 3.1 模糊聚类算法 |
| 3.1.1 数据集的c 划分 |
| 3.1.2 FCM 算法 |
| 3.1.3 CA 算法 |
| 3.2 模糊集的表示与数据库的生成 |
| 3.3 实验分析 |
| 3.3.1 Diabetes 数据库简介 |
| 3.3.2 聚类算法比较实验 |
| 3.4 小结 |
| 第4章 基于模糊关联规则挖掘的规则库生成 |
| 4.1 关联规则挖掘的一般概念 |
| 4.2 模糊关联规则及其挖掘算法 |
| 4.2.1 模糊划分数据库的生成 |
| 4.2.2 模糊关联规则挖掘算法 |
| 4.3 实验分析 |
| 4.3.1 基于FCM 聚类算法的模糊关联规则挖掘 |
| 4.3.2 基于CA 聚类算法优化的模糊关联规则挖掘 |
| 4.4 小结 |
| 第5章 基于遗传模糊的分类系统设计与优化 |
| 5.1 基于模糊关联规则的分类系统建模 |
| 5.1.1 模糊分类系统框架及建模 |
| 5.1.2 基于最长模糊关联规则的分类系统 |
| 5.1.3 实验分析 |
| 5.2 基于遗传模糊的分类系统优化 |
| 5.2.1 模糊分类系统规则库的遗传学习 |
| 5.2.2 模糊分类系统数据库的遗传调整 |
| 5.3 小结 |
| 第6章 结论及展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、一种模糊建模方法的研究:精确性与解释性的折衷(英文)（论文参考文献）
- [1]不确定性环境下的语言值推理及规则学习研究[D]. 张云霞. 大连理工大学, 2019(06)
- [2]文化遗产信息模型的虚拟修复研究[D]. 铁钟. 中国美术学院, 2019(02)
- [3]基于Pareto烟花算法的模糊分类系统设计[J]. 罗勇,郭雅默,刘冲. 计算机工程, 2017(02)
- [4]基于烟花算法的模糊建模方法研究[D]. 刘冲. 郑州大学, 2016(02)
- [5]基于粒计算的时间序列分析与建模方法研究[D]. 卢伟. 大连理工大学, 2015(03)
- [6]进化多目标模糊建模与塞拉门模糊FMECA分析研究[D]. 季海燕. 南京理工大学, 2013(06)
- [7]具有最优结构的进化模糊系统用于操作员功能状态评估[D]. 朱丽花. 华东理工大学, 2012(06)
- [8]基于微分进化算法的模糊模型设计[J]. 张永,黄成,徐志良,吴晓蓓. 计算机工程, 2011(21)
- [9]遗传模糊分类系统构建中规则获取和解释性优化的关键技术研究[D]. 李继东. 云南大学, 2011(07)
- [10]基于遗传模糊的分类系统设计与优化[D]. 王锋. 杭州电子科技大学, 2009(02)