斯巴菲斯

SPARSEFIS:稀疏约束下模糊系统的数据驱动学习本文针对Takagi Sugeno(T-S)模糊系统,提出了一种新的数据驱动学习方法[稀疏模糊推理系统(SARSFEFIS)],包括规则权重的扩展。我们的学习方法由三个阶段组成:第一阶段用迭代矢量量化在输入/输出特征空间中进行聚类过程,并将得到的聚类投影到一维轴上,以在规则的前部分中形成模糊集合(中心和宽度)。因此,簇的数目=规则是预定义的,并且表示在合理粒度上的上界。第二阶段通过应用稀疏约束最陡下降优化过程优化模糊系统相对于最小二乘误差度量的规则权重。根据稀疏阈值,多个或几个规则的权重可以被强制朝向0,从而关闭(消除)一些规则(规则选择)。第三阶段分别由正则化稀疏约束优化程序对每个规则(局部学习方法)估计线性结果参数。应用稀疏约束来强制线性参数为0,触发每个规则的特征选择机制。当每个规则中的某些特征的线性参数为(接近)0时,实现全局特征选择。该方法基于工业过程的高维数据和基于互联网的基准数据集,并与已知的批量训练方法相比较,在模糊系统的准确性和复杂性方面进行了评价。


ZBMaCT中的参考文献(10篇文章中引用)

显示结果1至10的10。
按年份排序(引文

  1. Tsai,Shun Hung;陈,Yu Wen:一种新的Takagi Sugeno模糊模型辨识方法(2018)
  2. Tanmoy,Deb,Alk.KoTi:一种基于TS模糊模型的动态系统数据跟踪聚类算法(2017)
  3. 德索托,Adolfo R.:关于语言变量和稀疏表示(2015)
  4. 李,Jinbo;Pedrycz,威特尔德;王,Xianmin:基于规则的增量模型开发(2015)
  5. 罗,Minnan;Sun,Fuchun;刘,华坪:基于稀疏正则化的动态T-S模糊系统辨识(2015)
  6. Serdio,弗朗西斯科;Lughofer,埃德温;皮克勒,库尔特;Pichler,Markus;Buchegger,托马斯;Efdic,Fuff:从系统辨识模型中使用梯度信息和质量准则的模糊故障隔离(2015)
  7. Serdio,弗朗西斯科;Lughofer,埃德温;皮克勒,库尔特;Buchegger,托马斯;EfdNIC,Hajrudin:基于软计算技术的滚动故障诊断中基于残差的故障检测(2014)伊波尔特
  8. Lughofer,埃德温:数据流柔性演化模糊推理系统(FLFFIS+++)(2012)伊波尔特
  9. Sayed Mouchaweh,Moamar(ED);Lughofer,埃德温(ED):在非平稳环境中学习。方法与应用(2012)
  10. Lughofer,埃德温;TrWi滑雪,波格丹;TrWi滑雪,克日什托夫;KEMPA,Olgierd;LasoTa,Tadeusz:用模糊建模算法评估住宅场所(2011)伊波尔特