在 ANFIS 中结合 PCA 与二进制粒子群优化 (BPSO) 的低维数据规则建模

模糊规则系统在低维领域解释数据，提供透明性和可解释性。相比之下，深度学习在图像和语音识别等复杂任务中表现出色，但在稀疏、非结构化或低维数据中容易过拟合。这种可解释性在医疗和金融等领域至关重要。传统的规则系统，特别是采用网格划分的 ANFIS，随着维数增加会面临规则数量指数级增长的问题。我们提出了一种策略性规则约简模型，该模型对归一化触发强度应用主成分分析 (PCA) 以获得线性不相关成分。二进制粒子群优化 (BPSO) 选择性地精炼这些成分，从而在保持决策精度的同时显著减少规则数量。一种自定义的参数更新机制通过动态调整 BPSO 参数来微调特定的 ANFIS 层，避免陷入局部极小值。我们在标准 UCI 呼吸、keel 分类、回归数据集以及一个真实世界的缺血性中风数据集上验证了我们的方法，展示了其适应性和实用性。结果表明，规则更少、训练时间更短且精度高，凸显了该方法在低维可解释性和复杂数据场景中的有效性。模糊逻辑与优化的协同作用促进了鲁棒的解决方案。我们的方法为多个领域的可解释 AI 提供了一个强大的框架，解决了维数问题，确保了规则库的建立。