T3-ANFIS: Type-3 Adaptive Neuro-Fuzzy Inference System With a Noniterative Learning Algorithm
Notice bibliographique
Résumé
Recently, type-3 (T3) fuzzy logic systems (FLSs) have been widely used in various problems, such as modeling, control systems, image processing, forecasting problems, optimization algorithms, and many others. Most studies of T3-FLS focus on its different applications. However, the basic theory, the applications in real-time and online problems, learning schemes, and the robustness against non-Gaussian noises have been rarely studied. In this article, the simplification of T3-FLSs is taken into account, and the new membership functions (MFs), learning schemes, and type reduction are introduced. The concept of singleton MFs in adaptive fuzzy inference systems (ANFIS) is extended to T3-FLSs, and T3-ANFIS is proposed. The type reduction is simplified, and a noniterative learning scheme is developed. The corresponding computations for adaptation laws are derived, and all rules parameters and MF parameters are adjusted. To enhance the robustness versus impulsive noises, a T3-FLS-based correntropy Kalman filter (CKF) is designed. In the suggested algorithm, the kernel-size is not a constant value, but it is online updated by a T3-FLS. Also, to further improve robustness against noisy data, nonsingleton fuzzification for the suggested MF is formulated. By several simulations using real data sets, the feasibility of the suggested T3-FLS is shown, and its superiority is verified by comparisons. Also, the better robustness of suggested T3-FLS-based CKF versus impulsive noises is shown by comparison with traditional KFs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».