基于轻量化TSK模糊分类器的分类方法及电子设备

本申请实施例属于计算机，特别是涉及一种基于轻量化tsk模糊分类器的分类、装置、电子设备及存储介质。

背景技术：

1、tsk模糊分类器可以通过多个线性系统对各个特征值之间的非线性关系进行拟合从而计算出各个特征值之间的分类结果。因此tsk模糊分类器常被用于各种分类场景中，例如自动驾驶决策判断场景。tsk模糊分类器主要由前件网络和后件网络构成。前件网络主要通过多个模糊规则将输入特征值映射到相应的模糊集上，以实现对输入的特征值进行模糊化处理。后件网络由多个与特征值相关的线性函数构成，通过多个线性函数后件网络可以拟合出输入的特征值与各种分类结果之间的关系。即通过后件网络可以将模糊化后的输入特征值转换为实际的输出值，即将模糊集映射到实际的输出空间上。但在tsk模糊分类器的训练过程中，需要对后件网络进行多次迭代优化才能使得后件网络能够准确拟合出输入特征值和各种分类结果的关系。tsk模糊分类器在使用前需要通过训练样本进行上千次迭代训练，当模型训练时需要迭代优化的权重参数过多时，容易使得tsk模糊分类器的运算量过大，从而导致tsk模糊分类器的运算速度过慢。

2、在现有技术中，常通过仅使用线性函数中的常数项参与迭代优化的方法来提升tsk模糊分类器的计算速度。但仅使用线性函数中的常数项进行迭代优化，会导致大量参数丢失，使得tsk模糊分类器失去了对输入特征进行线性组合的优势，大大降低了tsk模糊分类器的计算性能。

技术实现思路

1、有鉴于此，本申请实施例提供了一种基于轻量化tsk模糊分类器的分类方法，用以提高轻量化tsk模糊分类器的运算速度。

2、本申请实施例的第一方面提供了一种基于轻量化tsk模糊分类器的分类方法，包括：

3、获取用户输入的训练样本在多个预设特征维度的多个特征值，通过隶属度层对所述多个特征值进行模糊化处理，以获得各个所述特征值对应的隶属值；所述隶属值用于表示所述训练样本与各个所述预设特征维度对应的聚类中心的相关程度；

4、通过对多个所述隶属值进行反模糊化处理得到多个清晰值，并通过预设的特征融合函数对多个所述清晰值和多个所述特征值进行融合处理，生成多个融合特征值；

5、通过预设的输出函数对所述多个融合特征值进行拟合，生成基于所述训练样本训练得到的轻量化tsk模糊分类器；所述轻量化tsk模糊分类器中的特征融合函数和输出函数是基于预设的梯度下降算法进行预设次数的迭代更新后生成的；

6、基于所述轻量化tsk模糊分类器对待分类对象进行分类，并生成所述待分类对象的分类结果和多个模糊逻辑条件；所述模糊逻辑条件用于解释所述分类结果和所述待分类对象的各个特征值之间的关系。

7、本申请实施例的第二方面提供了一种基于轻量化tsk模糊分类器的分类装置，包括：

8、模糊化模块，用于获取用户输入的训练样本在多个预设特征维度的多个特征值，通过隶属度层对所述多个特征值进行模糊化处理，以获得各个所述特征值对应的隶属值；所述隶属值用于表示所述训练样本与各个所述预设特征维度对应的聚类中心的相关程度；

9、融合模块，用于通过对多个所述隶属值进行反模糊化处理得到多个清晰值，并通过预设的特征融合函数对多个所述清晰值和多个所述特征值进行融合处理，生成多个融合特征值；

10、迭代模块，用于通过预设的输出函数对所述多个融合特征值进行拟合，生成基于所述训练样本训练得到的轻量化tsk模糊分类器；所述轻量化tsk模糊分类器中的特征融合函数和输出函数是基于预设的梯度下降算法进行预设次数的迭代更新后生成的；

11、分类模块，用于基于所述轻量化tsk模糊分类器对待分类对象进行分类，并生成所述待分类对象的分类结果和多个模糊逻辑条件；所述模糊逻辑条件用于解释所述分类结果和所述待分类对象的各个特征值之间的关系。

12、本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于轻量化tsk模糊分类器的分类方法。

13、本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于轻量化tsk模糊分类器的分类方法。

14、本申请实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述第一方面所述的基于轻量化tsk模糊分类器的分类方法。

15、与现有技术相比，本申请实施例具有以下优点：

16、本申请实施例提供的轻量化tsk模糊分类器在模型训练过程中，电子设备可以获取到用户输入的训练样本在多个预设特征维度的多个特征值，并通过轻量化tsk模糊分类器的隶属度层对多个特征值进行模糊化处理；通过模糊化处理隶属度层可以生成各个特征值对应的隶属值；根据隶属值轻量化tsk模糊分类器可以确定训练样本与各个所述特征维度对应的聚类中心的相关程度；生成隶属值后，轻量化tsk模糊分类器可以对多个隶属值提前进行反模糊化处理，并得到多个清晰值；轻量化tsk模糊分类器可以通过预设的特征融合函数对多个清晰值和多个特征值进行融合处理，并生成多个融合特征值；得到多个融合特征值后，电子设备可以通过轻量化tsk模糊分类器中的输出函数对多个融合特征值进行拟合，并生成基于所述训练样本训练得到的轻量化tsk模糊分类器；其中，在模型训练过程中，电子设备还可以基于预设的梯度下降算法对轻量化tsk模糊分类器中的特征融合函数和输出函数进行预设次数的迭代更新，并生成基于训练样本训练得到的轻量化tsk模糊分类器；电子设备在完成模型训练后，可以通过训练得到的轻量化tsk模糊分类器对待分类对象进行分类，并生成待分类对象对应的分类结果和多个模糊逻辑条件；通过生成模糊逻辑条件，轻量化tsk模糊分类器可以向用户解释分类结果和待分类对象的各个特征值之间的关系。由于本实施例提供的轻量化tsk模糊分类器在进行模型训练时，可以通过梯度下降算法对特征融合函数和输出函数进行更新迭代，并根据最终迭代更新的特征融合函数和输出函数生成训练后的轻量化tsk模糊分类器，因此本实施例提供的分类方法可以有效提高轻量化tsk模糊分类器在模型训练过程中的运算速度。

技术特征：

1.一种基于轻量化tsk模糊分类器的分类方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于所述轻量化tsk模糊分类器对待分类对象进行分类，并生成所述待分类对象的分类结果和多个模糊逻辑条件之后，包括：

3.根据权利要求2所述的方法，其特征在于，所述贡献度公式为：

4.根据权利要求1所述的方法，其特征在于，所述通过预设的输出函数对所述多个融合特征值进行拟合，生成基于所述训练样本训练得到的轻量化tsk模糊分类器，包括：

5.根据权利要求4所述的方法，其特征在于，所述损失函数值的计算公式为：

6.根据权利要求4所述的方法，其特征在于，所述第k+1特征融合层权重参数为：

7.根据权利要求1-6任一项所述的方法，其特征在于，所述待分类对象为待转移对象；所述待分类对象的多个特征值为与所述待转移对象的待转移位置相关的特征值；所述分类结果包括多个所述转移位置和各个所述转移位置对应的出现概率；所述模糊逻辑条件为与目标对象的转移位置相关的转移条件。

8.一种基于轻量化tsk模糊分类器的分类装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的基于轻量化tsk模糊分类器的分类方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于轻量化tsk模糊分类器的分类方法。

技术总结
本申请实施例适用于计算机技术领域，提供了一种基于轻量化TSK模糊分类器的分类方法及电子设备，该方法包括：获取训练样本的多个特征值，通过隶属度层对多个特征值进行模糊化，获得多个隶属值；通过对多个隶属值进行反模糊化得到多个清晰值，并通过特征融合函数对多个清晰值和多个特征值进行融合处理，生成多个融合特征值；通过输出函数对多个融合特征值进行拟合，生成轻量化TSK模糊分类器；基于轻量化TSK模糊分类器对待分类对象进行分类，并生成分类结果和多个模糊逻辑条件。通过本实施例提供的方法进行分类计算，可以在保持分类结果的高语义可解释性的同时，加快轻量化TSK模糊分类器的运算速度。

技术研发人员：蔡璟,曹晋,周塔,张将,滕信智
受保护的技术使用者：香港理工大学
技术研发日：
技术公布日：2024/10/10