Zadeh 二型模糊逻辑系统：精度与高质量预测区间

广义二型 (GT2) 模糊逻辑系统 (FLSs) 是量化不确定性的完美候选者，这对于高风险任务中的明智决策至关重要，因为它们是表示不确定性的强大工具。在本文中，我们回顾过去，采用 Zadeh (Z) GT2 模糊集 (FS) 定义对 GT2-FLSs 提供了新的视角，旨在学习能够在实现精度的同时获得可靠的高质量预测区间 (HQ-PI) 的 GT2-FLSs。通过将 Z-GT2-FS 与 $\alpha$-平面表示相结合，我们表明 GT2-FLS 的设计灵活性得到了提高，因为它消除了次级隶属函数对主级隶属函数的依赖。在详细介绍了 Z-GT2-FLSs 的构造之后，我们提供了从高维数据学习时面临的挑战的解决方案：维度灾难以及 Deep Learning (DL) 优化器的集成。我们开发了一个用于学习具有高性能的双聚焦 Z-GT2-FLSs 的 DL 框架。我们的研究包括统计分析，表明与具有更多可学习参数的 GT2 和 IT2 模糊对应物相比，Z-GT2-FLS 不仅表现出高精度性能，还能产生 HQ-PIs。结果表明，Z-GT2-FLS 在不确定性量化方面具有巨大潜力。