麻雀

稀疏性:具有稀疏约束的模糊系统的数据驱动学习。在本文中,我们讨论了一种新的数据驱动学习方法[稀疏模糊推理系统(SparseFIS)],并通过加入规则权重进行了扩展。我们的学习方法分为三个阶段:第一阶段在输入/输出特征空间进行迭代矢量量化聚类,并将得到的聚类投影到一维轴上,形成规则前导部分的模糊集(中心和宽度)。因此,clusters=rules的数量是预定义的,并表示合理粒度上的一种上界。第二阶段应用稀疏约束的最速下降优化方法,根据最小二乘误差度量优化模糊系统中的规则权重。根据稀疏度阈值,许多或少数规则的权重可以强制为0,从而关闭(消除)某些规则(规则选择)。第三阶段分别对每一条规则采用正则化稀疏约束优化方法(局部学习法)估计线性结果参数。稀疏约束被应用来强制线性参数为0,从而触发每个规则的特征选择机制。当每个规则中某些特征的线性参数接近0时,就可以实现全局特征选择。该方法以工业过程的高维数据为基础,以互联网上的基准数据集为基础,对模糊系统的精度和复杂度进行了比较。


zbMATH中的参考文献(参考文献11条)

显示结果1到11,共11个。
按年份排序(引用)

  1. Lughofer,Edwin:动态过程环境中使用离散事件系统的鲁棒数据驱动故障检测(2018)
  2. 蔡顺雄;陈宇文:一种新的Takagi-Sugeno模糊模型辨识方法(2018)
  3. 达姆,坦莫伊;Deb,Alok Kanti:基于聚类算法的TS模糊模型跟踪动态系统数据(2017)
  4. de Soto,Adolfo R.:关于语言变量和稀疏表示(2015)
  5. 李金波;佩德里茨,威托德;王先民:基于规则的增量模型开发(2015)
  6. 罗,闽南人;太阳,富春;刘华平:基于稀疏正则化的动态T-S模糊系统辨识(2015)
  7. 塞尔迪奥,旧金山;卢格霍夫,埃德温;皮勒,库尔特;皮希勒,马库斯;托马斯·布切格;Efendic,Hajrudin:基于系统辨识模型的梯度信息和质量标准的模糊故障隔离(2015)
  8. 塞尔迪奥,旧金山;卢格霍夫,埃德温;皮勒,库尔特;托马斯·布切格;Efendic,Hajrudin:使用软计算技术进行轧钢厂状态监测的基于残差的故障检测(2014)ioport公司
  9. Lughofer,Edwin:来自数据流的灵活演化模糊推理系统(FLEXFIS++)(2012)ioport公司
  10. 赛义德穆查韦,摩押(编辑);卢格霍夫,埃德温(编辑):在非静止环境中学习。方法与应用(2012)
  11. 卢格霍夫,埃德温;特拉温斯基,博格丹;特拉温斯基,克鲁兹托夫;肯帕,奥尔吉尔德;Lasota,Tadeusz:关于住宅物业估价的模糊建模算法(2011)ioport公司