摘要: 本文旨在梳理粒度模糊规则模型中的主要研究及构建方法,并且进行系统分析与总结。粒计算是一种能模拟人类思维方式和求解复杂问题的新兴理论体系,以此为基础的粒度模型为复杂非线性系统的描述和问题求解探索了新的方向。粒度模糊规则模型将信息粒融入现有的模糊规则建模方法中,进行粒度级别的系统建模,以实现更高层次的数据分析与推理。本文简要介绍模糊聚类和模糊规则模型的基础知识;归纳了信息粒的构建方法,并讨论了相应的评估方法;总结了典型的粒度模糊规则模型的设计架构和优化方法。
- 关键词:
- 粒计算 /
- 信息粒 /
- 模糊规则 /
- 模糊C均值聚类 /
- 粒化和解粒化 /
- 粒度 /
- 原型 /
- 模糊集
人类处理问题的一个显著优势是根据问题的特性在不同抽象程度中进行分析思考[1-3]。随着人工智能技术的不断发展,当前智能系统的研究重点关注认知机理的理解、分析和模拟[4],着重分析人类的认知和信息处理方法,包括人类的学习、分析、推理和决策能力等。粒计算(granular computing, GrC)能够模拟人类思考过程,从抽象角度对问题进行分析推理,并反映人类思考和处理信息的过程。作为计算智能中一种新型信息处理范式,粒计算的研究涵盖了基于不同粒度解决复杂问题的理论、方法、技术和工具,属于人工智能认知机理研究的领域。1996年,文献[5]首次提出粒计算这一概念,一直沿用至今。1997年,Zadeh[5]在模糊集和模糊系统的基础上,首次创新性地提出了信息粒度化(information granulation)的概念[6]。文章中讨论了不