一种面向中小规模数据集的模糊分类方法

虽然Takagi-Sugeno-Kang （TSK）模糊分类器在一些重要场合已经取得了广泛应用，但如何提高其分类性能和增强其可解释性，仍然是目前的研究热点.提出一种随机划分与组合特征且规则具有高可解释性的深度TSK模糊分类器（RCC-DTSK-C），但和其他分类器构造不同的是：（1） RCC-DTSK-C由很多基训练单元构成，这些基训练单元可以被独立训练；（2）每一个基训练单元的隐含层通过模糊规则的可解释性来表达，而这些模糊规则又是通过随机划分、随机组合来进行特征选择的；（3）基于栈式结构理论，源数据集作为相同的输入空间被映射到每一个独立的基训练单元中，这样就有效地保证了源数据的所有特征在每一个独立的训练单元中都得以保留.实验结果表明，RCC-DTSK-C具有良好的分类性能和可解释性