10、模糊逻辑分类系统建模与大数据图像处理的AWS实现

模糊逻辑分类系统建模与大数据图像处理的AWS实现

1. 模糊逻辑分类系统建模

1.1 规则集表示与适应度模块生成

模糊逻辑分类系统的规则集表示较为简单，可包含任意数量的模糊聚类。例如规则可表示如下：
| R | I1 | I2 | … | In | O |
| — | — | — | — | — | — |
| Rule 1 | 5.6,6.1,7.0 | 2.6,3.2,3.8 | … | … | … |
| Rule 2 | … | … | … | … | … |
| Rule MNR | … | … | … | … | … |

适应度模块生成是通过使用常量集计算问题的目标模块，得到聚类组中的特定集合。考虑分类问题，有两个目标：
1. 增加正确分类的数据。
2. 减少陈述的数量。

这两个目标相互冲突，可将增加完美聚类数据的目标重新表述为减少测试样本最终数量与完美聚类数据之间的差异。给定测试样本的最终数量（“S”）和规则陈述的最大数量（“MNR”），目标是找出“ S ”与所选陈述数量（“SNR”）对应的完美聚类数据（“Cc”）之间的差异，任务是计算该值的最小值，用公式表示为：
Min f = (S − CC) + (k × SNR)
其中，“k”是一个用于改进“SNR”的参数，通常较小。

1.2 模拟结果

对十个标准数据集进行模拟，以展示所提出方法在生成基于准则的隶属度模块方面的效率。该方法使用30次独立迭代，具有不同的随机种子和控制参数变量。与现有传统方法（如DE、ABC等）进行详细比较研究。

以下是