36、模糊系统与机器学习融合的综述

模糊系统与机器学习融合的综述

1. 模糊系统与机器学习的集成

在模糊系统中应用机器学习技术可以提升其性能。以下是一些常见的技术及其应用：
- 模糊聚类 ：基于高相似度将数据划分为多个类别，与其他类别的对象区分开来。聚类可分为硬聚类和模糊聚类。硬聚类使用明确的集合来表示对象的隶属关系，而模糊聚类则能处理对象对某一类别的不确定性。例如，Dunn提出的模糊C - 均值算法，后经Bezdek改进，适用于难以进行硬分类的数据应用，如模式识别。
- 模糊回归 ：当信息通常是语言性、不完整、不精确、定性、有噪声或模糊时，模糊回归是一种有用的选择。模糊回归方法基于可能性理论和模糊集理论，其输入和输出参数都是模糊的。许多研究人员在这方面有开创性工作，如Hong和Hwang探索了使用支持向量机（SVM）解决模糊线性和非线性模型的凸优化问题，并进一步开发了模糊支持向量回归机；还提出了使用SVM对先进先出数据进行模糊多重非线性回归模型的估计。

此外，还有许多基于模糊系统和机器学习的应用案例：
| 应用方向 | 方法 | 准确性 |
| — | — | — |
| 心脏病预测 | 模糊专家系统 | 94% |
| 麻醉预测 | 基于模糊逻辑的警报 | - |
| 癌症肿瘤预测 | 遗传模糊系统 | 87% |
| 一般虚弱预测 | 基于模糊逻辑的智能系统 | 96% |
| 关节炎预测 | 模糊推理系统 | - |
| 哮喘预测 | 基于模糊规则的专家系统 | - |
| 药物处方 | 模糊建模 | 94% |
| 乳腺癌分类 |