基于增量学习的演化模糊系统的解释性问题研究

The fundamental interpretability issue is one of the major challenges in Evolving Fuzzy System (EFS). In current approaches, the main focus is placed on precise fuzzy modeling while some important interpretability aspects have been neglected. The interpretability issues in EFS for incremental learning include: 1.Hardly any approaches exist that process the evolving structure partition include good interpretability; 2.The contradict between the evolving feature variables/rules with the model complexity; 3.The contradict between the concept drift and rule matching; 4.not capable of supporting dynamic interactive analysis between the users and the system. In response to these issues, our investigations will build interpretability learning framework with four aspects such as developing EFS structure, complexity reduction, controllable model, interactive interpretability.1.To assure the structure interpretability, evolving granulation theory is proposed to handle evolving cluster division and further to estimate the local incremental model based on the samples in every sub-cluster to form the rule consequent; 2.To lift rule interpretability, feature variables selection and varied rule weights strategy is proposed to reduce the model complexity; 3.To enhance the model controllability, the concept drift strategy is proposed to adapt to dynamical match for rule distribution; 4.To improve the visual interpretability effect, the interactive visualization frame is proposed to support dynamitic interactive analysis for EFS.

解释性问题是演化模糊系统建模的主要难题之一。现有的大多方法以提高演化模糊模型的精确性作为建模目标，忽略了对演化模糊模型解释性问题的研究。在增量学习环境下，演化模糊模型的解释性问题主要包括：1.演化模糊模型构建过程结构划分解释性不足；2.特征变量/规则的演化特性与简化模型复杂性的矛盾；3.概念漂移与规则匹配的矛盾；4.难以满足用户与系统的动态交互式分析。针对上述问题，本项目将围绕着演化模糊模型的构建、简化、调控以及交互式可视化四个方面来构建演化模糊模型的解释性学习框架：1.基于演化粒度理论和规则后件函数增量学习方法在线构建演化模糊规则基，以保证模型的结构解释性；2.基于特征变量选择和规则变权机制简化模型的复杂性，以提高规则解释性；3.基于概念漂移学习策略实现规则分布的动态匹配，以加强模型的调控能力；4.基于交互式可视化框架辅助用户与系统挖掘过程的动态交互分析，以改善模型的视觉解释效果。

一个坚实的模型需要为决策提供可靠的解释，帮助人们清晰的理解。针对传统大多方法以提高演化模糊模型的精确性作为建模目标，忽略了对演化模糊模型解释性问题的研究。该项目围绕着增量学习环境下演化模糊模型解释性潜在的问题展开研究。提出了多种聚类算法以提升演化模糊模型构建过程结构划分的解释性；提出了关联规则、隐马尔科夫、T-S模糊推理、核回归等多种策略构建演化模糊规则推理模型，保证模型决策的可解释性；提出了特征变量选择和规则变权机制简化模型的复杂性；提出了基于概念漂移学习策略实现规则分布的动态匹配，以加强模型的调控能力；基于交互可视化框架辅助用户与模型挖掘过程的动态交互分析，以改善模型的视觉解释效果。在该项目的支持下，项目组在四年的执行期内共发表相关论文16篇，其中SCI源刊发表论文6篇，EI源刊发表论文5篇，国际学术会议上发表SCI及EI索引论文5篇，授权发明专利1项，申请发明专利6项，出版一本专著，指导硕士研究生11人，其中三人获得校级优秀硕士论文，三人获得国家特等奖学金，项目组成员中一人晋升正高级职称。