备用FIS swMATH ID: 13736 软件作者： Lughofer，E。；金德曼，S。 描述： 稀疏FIS：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用于Takagi-Sugeno（T-S）模糊系统的数据驱动学习方法[稀疏模糊推理系统（SparseFIS）]，并通过包含规则权重进行了扩展。我们的学习方法包括三个阶段：第一阶段使用迭代矢量量化在输入/输出特征空间中进行聚类过程，并将获得的聚类投影到一维轴上，以在规则的前面部分形成模糊集（中心和宽度）。由此，集群数=规则是预定义的，表示合理粒度上的一种上限。第二阶段通过应用稀疏约束的最速下降优化过程，针对最小二乘误差测度优化模糊系统中的规则权重。根据稀疏性阈值，可以强制许多或一些规则的权重为0，从而关闭（消除）一些规则（规则选择）。第三阶段通过分别针对每个规则的正则化稀疏性约束优化过程来估计线性结果参数（局部学习方法）。应用稀疏性约束是为了强制线性参数为0，从而触发每个规则的特征选择机制。只要每个规则中某些特征的线性参数接近于0，就可以实现全局特征选择。对该方法进行了评估，该方法基于工业过程的高维数据和互联网的基准数据集，并从模糊系统的准确性和复杂性方面与著名的批处理训练方法进行了比较。 主页： http://ieeexplore.iee.org/xpl/login.jsp？tp=&arnumber=5411778 相关软件： ElemStatLearn（电子状态学习）;ANFIS公司;农业部;博拉索;CoSaMP公司;阿达·布斯特。MH公司;PDCO公司;ARTMAP公司;GSA公司;熊猫;基因科普;化学计量学;椭圆工具箱;SVMTorch公司;DENFIS公司;伦敦银行支持向量机 引用于： 9文件 全部的 前5名19位作者引用 4 埃德温·卢霍弗 1 托马斯·巴切格 1 陈宇文 1 Tanmoy大坝 1 保罗·维托（Paulo Vitor），de Campos Souza 1 阿道夫·德索托。 1 阿洛克·坎蒂（Alok Kanti Deb） 1 哈鲁丁·埃芬迪奇 1 李金波 1 刘华平 1 罗，闽南 1 维托尔德·佩德里茨 1 库尔特·皮克勒 1 马库斯·皮克勒 1 Moamar Mouchaweh说 1 弗朗西斯科·塞尔迪奥 1 孙富春 1 蔡顺洪 1 王显民 5篇连载文章中引用 2 模糊集与系统 1 富兰克林学院学报 1 信息科学 1 国际近似推理杂志 1 亚洲控制杂志 全部的 前5名在6个字段中引用 5 计算机科学（68至XX） 5 系统理论；控制（93至XX） 1 总体主题；集合（00-XX） 1 统计学（62-XX） 1 运筹学、数学规划（90-XX） 1 信息与通信理论、电路（94-XX） 按年份列出的引文