近日，科研团队赵慧敏教授、吴焱冬等研究成果在仪器测量领域的国际著名期刊《IEEE Transactions on Instrumentation and Measurement》上发表学术论文《An Interpretable Dynamic Inference System Based on Fuzzy Broad Learning》，提出了一种具有高表达能力和自适应网络结构的模糊宽度学习系统。

        模糊宽度学习系统（FBLS）是近年提出的一种模糊神经模型，它将宽度学习的高效性能与模糊系统的可解释性相结合。然而，目前对于模糊宽度学习可解释性的研究仅限于部分网络层，这限制了模型表达规则和提取知识的能力。本文在模糊宽度学习框架下探索和开发了一个Takagi-Sugeno-Kang（TSK）模糊推理系统（FIS），具有强大的表达能力和自适应网络结构，以改善神经模糊模型的准确性，并解决模糊宽度学习中可解释性不足的挑战。

       首先，为了构建一个具有表达能力的模型，一组TSK模糊系统的输出被用作映射层，并可解释的语言模糊规则（ILFRs）被嵌入到增强层中。其次，提出了一种增量学习方法，允许自适应调整参数和优化规则爆炸问题以及网络结构冗余。最后，使用舒尔补方法代替岭回归法求取伪逆，以提高模型学习效率。实验表明，本文所提出的模型具有精简的模型结构和较好分类性，同时具有可解释性。

       该成果得到国家自然科学基金、学校科研启动基金等项目的资助。《IEEE Transactions on Instrumentation and Measurement》最新影响因子为5.6，属于《仪器仪表领域高质量科技期刊T1级别》