15、基于分层语言模糊划分的模糊规则系统的实用性

基于分层语言模糊划分的模糊规则系统的实用性

一、引言

语言模糊规则系统（FRBSs）在众多应用中展现出强大的能力，如控制问题、建模、分类或数据挖掘等。它通过使用语言标签，为用户或专家提供了一个准确且易于解释的模型。然而，语言系统在应用中存在一个主要障碍，即模糊规则结构的严格限制。这可能导致在处理一些复杂系统时，如高维问题、存在噪声或类别重叠（在分类任务中）时，准确性有所损失。

为了克服这一缺点，人们提出了多种改进语言模糊建模的方法。这些方法的共同目标是通过促进知识库（KB）中规则之间的更好协作，改善语言模糊模型的插值推理方式。具体可从三个不同的模型组件入手：
1. 作用于数据库（DB）的方法 ：例如先验粒度学习或隶属函数调整。
2. 作用于规则库（RB）的方法 ：最常见的是规则选择，也可考虑多规则后件学习。
3. 作用于整个知识库的方法 ：包括知识库推导和分层语言规则学习。

本文将重点研究最后一种方法，即利用分层环境来改善语言FRBSs的性能。这种方法最初由Herrera和Martínez在决策领域提出，后来Cordón等人将其应用于回归问题。分层模型保留了FRBS的原始描述能力，并通过对问题子空间中生成的规则进行分层处理，增强了对困难子空间的建模，从而提高了准确性，形成了分层知识库（HKB）。

本文旨在全面概述语言模糊系统的分层方法，介绍相关的不同方法，包括基本的分层语言规则学习方法（HSLR - LM）、加权规则学习与分层方法的混合以及HSLR - LM通过不同粒度级别的迭代方案。为了展示这些方法的实用性，将通过一