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。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考

显示第1到第10个结果，共10个。
按年份排序(引用)

  1. 蔡顺雄；陈宇文：一种新的高木-杉木模糊模型辨识方法（2018）
  2. Dam，Tanmoy；Deb，Alok Kanti:基于聚类算法的TS模糊模型跟踪动态系统数据（2017）
  3. de Soto，Adolfo R.：关于语言变量和稀疏表示（2015）
  4. Li，Jinbo；Pedrycz，Witold；Wang，Xianmin：基于规则的增量模型开发（2015）
  5. 罗，闽南；孙富春；刘华平：基于稀疏正则化的动态T-S模糊系统辨识（2015）
  6. Serdio，Francisco；Lughofer，Edwin；Pichler，Kurt；Pichler，Markus；Buchegger，Thomas；Efendic，Hajrudin：使用系统识别模型的梯度信息和质量标准进行模糊故障隔离（2015年）
  7. Serdio，Francisco；Lughofer，Edwin；Pichler，Kurt；Buchegger，Thomas；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
  8. Lughofer，Edwin:来自数据流的灵活演化模糊推理系统（FLEXFIS++）（2012）ioport公司
  9. 莫阿马尔主编：非静止环境中的学习。方法与应用（2012）
  10. Edwin Lughofer；波格丹，Trawinski；Krzysztof，Trawinski；Kempa，Olgierd；Lasota，Tadeusz：关于住宅房地产估价的模糊建模算法（2011年）ioport公司