Fuzzy rule-based network: a fuzzy logic-based interpretable and modular machine learning model

Hunor István Lukács

doi:10.1038/s41598-026-63687-6

Fuzzy rule-based network: a fuzzy logic-based interpretable and modular machine learning model

2026-07-28

0

OA

AI

H

Hunor István Lukács *

DOI：10.1038/s41598-026-63687-6

原文链接

原文求助

摘要

En 中文

本文介绍了模糊规则网络（FRBN或FN），一种新型机器学习架构，旨在弥合高性能建模与可被人理解的决策制定之间的差距。通过结合人工神经网络（NN）的分层、层次化结构与模糊系统的逻辑透明性，FN作为一个可解释的“灰箱”模型运行。与隐藏其内部逻辑的传统“黑箱”神经网络不同，FN在每一层都使用模糊“如果-那么”规则显式编码其学习知识，提供结构化模块化并揭示决策制定过程。为优化FN和NN模型，全面评估了多种策略，包括一阶梯度方法（如Adam）、拟二阶Levenberg–Marquardt算法、无梯度细菌进化算法（BEA）以及为神经和模糊网络模型实施的混合细菌遗传算法（BMA）。所提出的FN模型的预测精度、结构化模块化和可解释性在多个合成回归基准上进行了评估，包括sinc函数（其中FN模型的最佳折叠验证均方误差为$$6.2 \times 10^{-8}$$）、多维三角函数数据集，并在工业微机电系统（MEMS）传感器数据集上进行了验证。这些实验结果表明，FN模型在精度和训练效率方面与NN模型具有竞争力。实验表明，FN模型的结构化模块化通过事后提取局部子模型实现参数减少。这些特定的模糊规则集在其指定子区间内保持完整模型的精确预测精度。研究进一步说明，显著性评分识别特定规则支配特定子域，而最小前件覆盖比率评估规则的空间范围以区分全局和局部影响。此外，模型的可解释性在MEMS数据集上得到验证，其中语言解释与模糊规则相关联。FN可使用领域知识初始化，从而稳定并加速训练收敛。最后，训练后的规则可翻译回可被人理解的“如果-那么”语句，代表向透明决策制定迈进一步。

Fuzzy rule-based network: a fuzzy logic-based interpretable and modular machine learning model

摘要

期刊

机构

引用论文