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