16、模糊规则系统在不平衡数据集分类中的应用

模糊规则系统在不平衡数据集分类中的应用

1. 层次化语言规则系统基础

在语言规则生成（LRG）方法中，从扩展的 $3_iR$ 最多可获得四个 2 - 语言规则，即：
${R_{i_1}^5, R_{i_2}^5, R_{i_3}^5, R_{i_4}^5} = LRG(I(E(R_{i}^3)))$
此示例可通过图形展示。同样，其他表现不佳的相邻规则也可同时进行扩展。

接下来是 HRB 选择步骤，需从 JCLR 集合中移除不必要的规则以简化该集合，并生成具有良好协作性的 HRB。在 JCLR 中，不同层次的规则共存，有时一组完整的 2 - 语言规则替换扩展的 1 - 语言规则可能无法产生良好结果，但该组 2 - 语言规则的子集可能会正常工作。这里采用遗传过程来实现此任务。应用该算法后，可得到层次化知识库（HKB）：
$HKB = HRB + HDB$

2. 加权语言规则层次化系统的语言建模

Alcalá 等人提出将层次化方案与规则权重相结合，扩展了两层次 HSLR - LM 方法，得到加权语言规则层次化系统（HSWLR）。该系统允许使用加权层次化语言规则，扩展了模型结构。同时，修改了总结组件，使其能同时进行规则选择和规则权重推导，并开发了一个遗传算法（GA）来完成此任务。

这种扩展方法旨在改进简单的语言模糊模型，仅加强对较难问题子空间的建模，而规则权重的使用则改善了规则之间的交互方式。此学习方法的扩展被称为两层次 HSWLR 学习方法（HSWLR - LM），包括以下两个修改：
- 修改 HRB 结构和推理系统，以考虑权重的使用，得到加权 HKB（WHKB）。
- 修改规则选择过程（两层