Resumen

Se propone una red de inferencia adaptativa de base radial difusa (FRBAIN) para el análisis de fusión de señales multicanales que varían en el tiempo y la incrustación de conocimientos de características. El modelo, que combina el mecanismo de incrustación de características de la señal anterior de la función de núcleo de base radial con la capacidad de inferencia lógica basada en reglas del sistema difuso, está compuesto por una capa de entrada de señal multicanal variable en el tiempo, una capa de fuzzificación de base radial, una capa de reglas, una capa de regularización y una capa de clasificación difusa T-S. El algoritmo de agrupación difusa dinámica se utilizó para dividir la clase de patrones del conjunto de muestras en varias subclases con características similares. Las neuronas difusas de base radial (FRBN) se definieron y utilizaron como funciones de membresía parametrizadas, y las muestras de características típicas de cada subclase de patrones se utilizaron como centros del núcleo de la FRBN para realizar la incrustación de los diversos conocimientos de características anteriores y la fuzzificación de las señales de entrada. De acuerdo con las categorías de señales de los centros del núcleo FRBN, los nodos de la capa de reglas se conectaron selectivamente con los nodos de la capa FRBN. Se utilizó una operación de multiplicación difusa para lograr la síntesis de la información de pertenencia a la clase de patrón y el establecimiento de reglas de inferencia difusa. La intensidad de excitación de cada regla se utilizó como entrada del clasificador difuso T-S para clasificar las señales de entrada. El FRBAIN puede establecer de forma adaptativa funciones de membresía de conjuntos difusos, inferencia difusa y reglas de clasificación basadas en el aprendizaje del conjunto de muestras, realizar restricciones estructurales y de datos del modelo y mejorar las propiedades de modelado de conjuntos de datos desequilibrados. En este trabajo, se analizaron las propiedades de FRBAIN y se estableció un algoritmo de aprendizaje integral. Se realizó una validación experimental con diagnósticos de clasificación de cuatro enfermedades cardiovasculares complejas basados en señales de ECG de 12 derivaciones. Los resultados demostraron que, en el caso de conjuntos de datos desequilibrados a pequeña escala, el método propuesto mejoró significativamente tanto la precisión de la clasificación como la generalizabilidad en comparación con otros métodos del experimento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:base radial difusa, tiempo multicanal, conjuntos de datos desequilibrados, señal de entrada, capa de reglas, enfermedad cardiovascular compleja, categorías de frbn, muestra de características típicas, capacidad de inferencia lógica, conocimiento de características previas
• Keywords:fuzzy radial basis, multichannel time, imbalanced datasets, input signal, rules layer, complex cardiovascular disease, categories of frbn, typical features sample, logic inference ability, prior features knowledge