随着人工智能与工业自动化深度融合，生产过程智能监测、视觉质检、自动驾驶感知等核心任务对模型在复杂噪声环境下的鲁棒性提出了极高要求。然而，传统深度神经网络多采用确定性参数，面对真实场景中普遍存在的传感器误差、环境扰动和数据缺失等不确定因素时，往往表现脆弱。受限玻尔兹曼机（RBM）作为一种经典的无监督特征学习模型，同样因参数固定而难以自适应吸收输入中的模糊性与随机噪声，导致重建质量下降、特征表达退化。近日，我校自动化学院（人工智能学院）王磊副教授团队联合中国标准化研究院、中国铁道科学研究院研究人员，在研究中提出了一种区间二型模糊受限玻尔兹曼机（IT2FRBM）框架，系统性地将参数化为区间二型模糊数，显著提升了无监督特征学习下图像重建的质量和对多种噪声的鲁棒性。相关论文以“Interval Type-2 Fuzzy Restricted Boltzmann Machine: A Novel Framework for Enhancing Image Reconstruction Quality and Noise Robustness”为题，已发表于自动化科学与工程领域权威国际期刊IEEE Transactions on Automation Science and Engineering（DOI: 10.1109/TASE.2026.3689585），王磊副教授为第一作者。

论文链接https://doi.org/10.1109/TASE.2026.3689585

提出区间二型模糊神经网络新框架，扩展可能性均值解模糊应用

研究团队的核心创新体现在三个层面。他们首先构建了三类区间二型模糊参数，包括对称三角模糊数（IT2STFN）、非对称三角模糊数（IT2ATFN）和高斯模糊数（IT2GFN），以增强对复杂、不对称及连续分布不确定性的表达能力。在此基础上，团队将清晰可能性均值解模糊方法首次系统性地引入区间二型模糊RBM，有效替代了传统计算量大的α-cut离散化方法，大幅简化了自由能函数的推导与优化。此外，研究还针对不同模糊数类型，严格推导了自由能近似的理论误差上界，为近似计算的高效性与合理性提供了数学保证。通过这种设计，模型的连接权重和偏置不再是一个固定值，而是动态变化的值区间与分布，能够从参数层面吸收输入中的噪声与模糊，使整个网络具备原生抗噪能力。

图1 IT2STFN的隶属度函数

图2 IT2STFN近似计算与精确计算对比

多基准数据集噪声场景验证，研究成果应用未来可期

该研究在MNIST手写数字和Fashion-MNIST两个基准数据集上进行了全面验证，并与经典RBM、一型模糊RBM、自动编码器（AE）、变分自动编码器（VAE）等模型对比。在重建性能方面，以高斯模糊数为参数的IT2FRBM_GFN在重建误差、峰值信噪比、结构相似性和平均绝对误差等指标上均取得最优，其重建图像清晰度和结构保真度显著优于对比模型。在噪声鲁棒性方面，面对椒盐噪声、高斯噪声和泊松噪声的干扰，IT2FRBM的重建误差远低于传统方法，展现出极强的抗干扰能力。此外，在计算效率上，相较于已有基于α-cut离散化的区间二型模糊RBM，本文提出的方法训练时间减少约60%，大幅提升了实用性，更利于实际部署。

图3 各模型训练过程重构误差对比

图4 模型抗噪重构对比

本研究得到了北京市自然科学基金、国家市场监督管理总局科技计划项目及中国铁路科研开发计划项目的资助。自动化学院（人工智能学院）多源信息认知与智能控制团队的这一成果突破，为受限玻尔兹曼机提供了一套兼具建模能力、理论保障和计算效率的区间二型模糊增强框架，有效解决了传统模型在噪声环境下的鲁棒性瓶颈。未来研究将探索模型轻量化训练策略，并扩展至区间二型模糊深度信念网络等深层架构，有望在工业视觉检测、复杂场景感知等任务中发挥更大价值。

《IEEE Transactions on Automation Science and Engineering》期刊简介：

《IEEE Transactions on Automation Science and Engineering》（IEEE T-ASE）是电气与电子工程师协会（IEEE）旗下的旗舰期刊之一，专注于自动化科学与工程领域的前沿研究，涵盖机器人、智能制造、智能维护、自动化系统优化等方向。该刊被SCI、EI等核心数据库收录，最新影响因子在自动化与控制领域位列Q1区，是国际公认的自动化科学与工程领域权威刊物。