33、神经模糊系统在触觉识别中的应用：模糊学习决策树的开发

神经模糊系统在触觉识别中的应用：模糊学习决策树的开发

1. 引言

决策树是一种广为人知的决策结构，具有简单、直观且推理过程快速的特点，因此被广泛应用于模式识别、分类、决策支持系统、专家系统、机器人控制和动力学识别等众多领域。决策树由多个节点按层次结构排列而成，每个节点具有不同的功能和含义。

决策树以简单、直观的多阶段方式实现决策或分类。由于每个节点仅使用简单的分裂规则和一小部分特征，整个决策过程快速高效。人工神经网络在对象定位、优化、识别、分类、预测、诊断、决策、关联、逼近和泛化等许多领域都非常强大。决策树可以通过映射到一类人工神经网络或熵网络中与人工神经网络相关联，并且在某些预测和识别应用中，决策树与人工神经网络具有相当的性能，二者还可以结合成性能更好的新系统。

为了生成实用的决策树，需要大量的训练数据。然而，如果训练数据量巨大，生成有用的决策树将需要较长的处理时间和较大的内存空间。为了解决这个问题，本文提出了一种使用模糊统计从训练数据中生成多个模糊集的方法，该方法能有效压缩训练数据并表示其统计分布，具有提高计算速度、节省存储内存和保持令人满意性能的优点。

由于优化单个节点的性能不一定能优化整个树的性能，且可能的树拓扑数量极其庞大，因此难以获得最优决策树。为了应对这一困难，本文采用了次优分裂规则来生成决策树，这是一种经济高效的方法，能快速获得性能令人满意的决策树。

人类触觉感知系统能够快速准确地识别现实世界中的物体，因此模拟人类触觉感知的触觉传感器在物体识别和分类应用中应该是有用的。随着触觉传感器技术的快速发展，越来越多的触觉传感器被应用于生物医学、计算机外设和工业等众多领域。本文构建了一个基于模糊逻辑的触觉传感和识别系统，应用模糊逻辑来