xFODE+：面向不确定性定量的可解释类型-2 模糊加法 ODE
机器学习
2026-04-17 v1 系统与控制
系统与控制
摘要
近期深度学习 (DL) 的进展提升了数据驱动系统识别 (SysID) 的性能，但可靠使用需要准确预测伴随不确定性定量 (UQ)。虽然具有 UQ 能力的模型如模糊 ODE (FODE) 可产生预测区间 (PI)，但可解释性有限。我们提出可解释类型-2 模糊加法 ODE 用于 UQ (xFODE+)，这是一种在保持物理有意义增量状态的同时产生 PI 并进行点预测的可解释 SysID 模型。xFODE+ 使用区间类型-2 模糊逻辑系统 (IT2-FLS) 实现每个模糊加法模型，并约束成员函数为相邻两个规则的激活，限制重叠并保持推理在局部上透明。由 IT2-FLS 产生的类型缩减集被聚合以构建状态更新以及 PI。该模型在 DL 框架中通过复合损失函数进行训练，联合优化预测准确性和 PI 质量。基准 SysID 数据集结果表明，xFODE+ 在 PI 质量上匹配 FODE，并在准确性方面实现可比水平，同时提供可解释性。
引用
@article{arxiv.2604.14880,
title = {xFODE+: Explainable Type-2 Fuzzy Additive ODEs for Uncertainty Quantification},
author = {Ertugrul Kececi and Tufan Kumbasar},
journal= {arXiv preprint arXiv:2604.14880},
year = {2026}
}
备注
in IEEE International Conference on Fuzzy Systems, 2026