Abstract：
深度神经网络在图像处理和语音识别等领域取得了巨大成功,引起了人工智能的第三次复兴,但是存在模型复杂度太高,可解释性不高和鲁棒性不强等不足.模糊系统的可解释性高,鲁棒性强,但是由于维数灾难,难以处理高维大数据.本文根据串行思想构建了基于分组分层训练的高可解释性的深度神经模糊建模分类器的启发式算法(Deep Neural Fuzzy Modeling, DNFM). DNFM由很多基训练单元ANFIS构成,这些基训练单元可以被独立训练;每一个基训练单元可用模糊if-then规则来表达,整个深度结构的可解释性强.实验结果表明:1)本文提出的DNFM算法比传统分类算法具有更高的准确率,也具有很强的可解...
Keyword：
Reprint 's Address：
Email：
Source ：
Year： 2021
Language： Chinese
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 5
Affiliated Colleges：
