软件学报

作者：龙茂森，王士同

单位：龙茂森，江南大学 人工智能与计算机学院, 江苏 无锡 21412211,王士同，江南大学 人工智能与计算机学院, 江苏 无锡 21412202

关键词：宽度学习系统;模糊推理系统;特征扩展;随机向量函数链神经网络 (RVFLNN);Sigmoid激活函数;可解释

基金：国家重点研发计划(2022YFE0112400); 国家自然科学基金(61972181, U20A20228); 江苏省教育厅高校自然科学重点项目(22KJA520009)

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system , BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能. 然而, 当遇到大型复杂的数据集时, BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度, 从而对其可解释性造成了不利影响. 对此, 提出一种兼顾分类性能和可解释性的模糊神经网络, 将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN). 在该网络中, 一个以原始数据为输入的RVFLNN被作为主体结构, BL-DFIS则用作性能补充, 这意味着FA-RVFLNN包含具有性能增强作用的直接链接. 由于主体结构的增强节点使用Sigmoid激活函数, 因此, 其推理过程可借助一种模糊逻辑算子(I-OR)来解释. 而且, 具有明确含义的原始输入数据也有助于解释主体结构的推理规则. 在直接链接的支撑下, FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息. 实验表明: FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题, 也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右), 在泛化性能和网络规模上仍具有竞争力.

来源：2024年第6期

《软件学报》期刊编辑部

查看软件学报杂志2024年第6期