妄想

PANFIS:一种新型的增量学习机器。现实系统中的大多数动力学行为都是通过移位和漂移来完成的,而这些都是无所不在的神经模糊系统难以克服的。然而,非平稳环境下的学习需要一个具有高度灵活性的系统,能够根据系统中包含的非线性程度自主地组合规则库。在实际应用中,规则增长和剪枝仅仅是利用训练数据的一个小快照来完成的,从而将计算量和内存需求量降低到较低的水平。为此,本文提出了一种新的算法,即基于模糊推理系统的简约网络(PANFIS)。PANFIS可以用一个空的规则库从头开始学习过程。利用模糊规则的统计贡献和随后注入的数据,可以对模糊规则进行缝合和剔除。为了追求一个透明的规则库,提高人类的可解释性,可以将相同的模糊集暗含并混合成一个模糊集。利用来自真实世界或合成数据集的几个基准问题,数值验证了所提出的PANFIS的学习和建模性能。验证包括与最先进的进化神经模糊方法进行比较,并展示了我们的新方法可以与之竞争,在某些情况下甚至在预测保真度和模型复杂度方面优于这些方法。