本文提出了一种鲁棒的多标签Takagi-Sugeno-Kang模糊系统（R-MLTSK-FS），旨在解决模型透明度、标签相关性和抗干扰性问题，并通过大量实验验证了其优越性。同时，研究了多传感器融合技术的脆弱性，提出了改进建议，并探讨了基于模糊粗糙集理论的新型距离测量方法，强调其在机器学习中的应用潜力。

该文提出了一种名为ML-TSK FS的新的多标签分类方法，通过使用模糊规则设计了其结构来建模特征和标签之间的关系，并通过集成多标签相关学习和多标签回归损失来训练模糊系统。实验结果表明，ML-TSK FS在各种评估指标上的性能与现有方法相竞争，能够有效地提升分类性能。