加权模糊规则的泛化能力研究

视加权模糊规则中的权重、置信度等为可调的知识表示参数，此项目欲研究这些知识表示参数对加权模糊规则的推理和泛化能力的影响，具体研究"根据已有的训练数据，按什么样的优化准则、如何优化这些知识表示参数以提高加权模糊规则的泛化能力"。本课题欲通过两条途径使用软计算技术来优化这些知识表示参数。一是根据Vapnik的统计学习理论，使用支撑向量机的分割超平面最大边缘准则，即调整知识参数使得两个分割超平面的距离达到最大；另一个是使用众所周知的极大熵原理，即根据训练集调整知识表示参数，使得在识别对象分类时，该对象属于所有没有任何先验信息可利用的类别的可能性均等。此外，如何使用软计算技术来具体优化这些参数是本课题的另一研究内容。规则泛化能力提高的研究是人工智能领域一个具有挑战性的课题，它对解决许多现实问题，像优化模糊控制器的设计、改进专家系统的预测能力、提高机器的智能水平等有着重要的实用价值。