报告题目：Deep TSK Fuzzy Classifier with Stacked Generalization and Triplely Concise Interpretability Guarantee for Large Data
报告时间：11月2日 周四下午3点30分-4点15分
报告地点：管院1010室
报告人简介：周塔，男，1982年出生，博士。现就职于江苏科技大学电气与信息工程学院，主要研究方向：模式识别与模糊系统。已申报国家发明专利10多项（已授权3项），出版教材2部，个人学术专著1部，教授课程《数据结构》、《离散数学》、《计算机C++程序设计》等。在国际一流智能计算顶级期刊IEEE Transactions on Fuzzy Systems（影响因子8.8）、IEEE Transactions on Emerging Topics in Computational Intelligence、Physics Letters A等杂志发表SCI论文多篇。
报告摘要：虽然Takagi-Sugeno-Kang(TSK)模糊分类器在一些重要场合已经取得了广泛应用，但如何提高其分类性能和增强其可解释性仍然是目前研究热点。我们提出一种新的随机划分与组合特征且规则具有高可解释性的深度TSK模糊分类器(RCC-DTSK-C)。但和其他分类器构造不同的是：（1）RCC-DTSK-C由很多基训练单元构成，这些基训练单元可以被独立训练。（2）每一个基训练单元的隐含层通过模糊规则的可解释性来表达，而这些模糊规则又是通过随机划分、随机组合来进行特征选择的。（3）基于栈式结构理论，源数据集作为相同的输入空间被映射到每一个独立的基训练单元中，这样就有效地保证了源数据的所有特征在每一个独立的训练单元中都得以保留。最后实验结果也表明了RCC-DTSK-C具有良好的分类性能和可解释性。
