Ensemble Deep Random Vector Functional Link Neural Network Based on Fuzzy Inference System

本文介绍了一种基于模糊推理系统的集成深度随机向量功能链接神经网络(edRVFL-FIS)。由于edRVFL通过随机投影生成其隐藏层的特征，因此可能会丢失复杂的特征或无法捕获其基础模型（隐藏层）中的某些非线性特征。为了增强edRVFL的特征学习能力，本文提出了一种新型的edRVFL-FIS，它结合了两个新兴领域（深度学习和集成方法）和模糊推理系统（FIS）的固有IF-THEN属性，以生成丰富的特征表示来训练集成模型。edRVFL-FIS的每个基模型都包括两个关键的特征增强组件：a)无监督的模糊层特征和b)监督的去模糊特征。edRVFL-FIS模型采用多种聚类方法（R-means，K-means，Fuzzy C-means）建立模糊层规则，生成三种模型变体（edRVFL-FIS-R，edRVFL-FIS-K，edRVFL-FIS-C），具有不同的模糊化特征和去模糊特征。在edRVFL-FIS框架内，每个基模型利用原始特征、隐藏层特征和去模糊特征进行预测。在UCI和NDC数据集上进行的实验结果、统计测试、讨论和分析一致表明，所有edRVFL-FIS模型变体均优于基线模型。提出的模型源代码可在https://github.com/mtanveer1/edRVFL-FIS中获得。

提高edRVFL神经网络的特征学习能力

使用模糊推理系统来扩充edRVFL神经网络的基础模型，提高特征学习能力

使用三种聚类方法建立模糊层规则，提出了三个模型变体，所有变体都表现出比基准模型更好的性能，开源了源代码

最近的相关研究包括使用深度学习和集成方法改进神经网络，例如EDLNN和EANN