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。因此,可以根据一些规则强制地(或关闭)一些阈值规则来消除权重。第三步分别用第三步约束的线性学习过程估计参数。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

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