论文部分内容阅读
模糊IF-THEN规则模型因其可产生具有较好解释性的推理结果受到了广泛的关注。对于高维、复杂的问题,模糊IF-THEN规则模型却未充分利用数据特征中包含的层次信息,对数据的多水平表征能力较弱。此外,模糊模型的构建往往受到数据质量、专家知识等因素的影响导致数值输出伴随着不确定性。本文基于合理粒度原则提出了一种具有多层结构的Takagi-Sugeno(T-S)模糊模型的建模方法。该方法在粒计算框架下将模糊技术与多层学习策略相结合,并在数据子空间内部采取逐层划分的方法进一步挖掘数据中隐含的结构信息,使模型具有良好的可解释性,同时以信息粒为输出体现了主要的预测范围。最后,在公开数据集上进行数据实验,检验了所提方法的有效性。