28、大数据集的神经模糊系统与动态多目标差分硬聚类

大数据集的神经模糊系统与动态多目标差分硬聚类

在处理大数据集时，传统的方法往往面临着诸多挑战，如内存分配问题、计算效率低下等。为了解决这些问题，研究人员提出了一系列创新的方法，包括神经模糊系统和动态多目标差分硬聚类算法。本文将详细介绍这些方法的原理、实验结果以及相关结论。

神经模糊系统

在神经模糊系统中，规则的前提是激发强度 (F)，结论是具有底宽 (w) 和核心位置 (y) 的三角集 (B)。所有规则的结果通过 MICOG 方法进行聚合，该方法不考虑 (B’) 集合中的非信息部分，即结论为零的部分。非信息部分的高度为 (1 - F)。聚合过程可以用以下公式表示：
[y_0 = \frac{\sum_{i=1}^{I} g(F_i(x), w_i)y_i(x)}{\sum_{i=1}^{I} g(F_i(x), w_i)}]
其中，函数 (g) 取决于模糊蕴含，在该系统中使用 Reichenbach 蕴含，所以 (g(x) = \frac{w}{2}F(x))。

输入域的散点划分（FCM 聚类）用于创建模糊规则的前提，结论则在调优过程中进行细化。调优过程采用两种方法：梯度法用于前提，最小均方误差法用于结论中的线性参数。

为了优化规则库，将两个模型的规则合并到一个规则库中，然后进行修剪和合并操作。修剪基于去除低质量的规则，而合并则是去除相似规则中的较差规则，保留较好的规则。规则的质量通过规则对给定数据元组的误差来评估，误差计算公式如下：
[e = \frac{\sum_{k=1}^{K} g(F(x_k), w_k) \cdot |y - y(x_k)|}{\sum_{k=1}^{K} g(F(x_k), w_k)}]
其