[發明專利]基于極限學習機的極限TS模糊推理方法及系統

在審

• 申請號: 201810468570.1
• 申請日: 2018-05-16
• 公開（公告）號: CN108665070A
• 公開（公告）日: 2018-10-16
• 發明（設計）人: 何玉林
• 申請（專利權）人: 深圳大學
• 主分類號: G06N5/04
• 分類號: G06N5/04;G06K9/62
• 代理公司: 深圳市恒申知識產權事務所(普通合伙) 44312
• 代理人: 王利彬

1.一種基于極限學習機的極限TS模糊推理方法，其特征在于，所述方法包括：

步驟A、使用K-means聚類算法對訓練數據集對應的原始條件屬性值矩陣進行聚類，得到聚類結果，并根據所述聚類結果及所述訓練數據集的預測輸出數據構建拓展決策屬性值矩陣；

步驟B、利用所述拓展決策屬性值矩陣對單個極限學習機進行訓練，得到所述極限學習機的輸出層權重，及訓練后的極限學習機；

步驟C、將未知的新樣本輸入訓練后的所述極限學習機，得到所述新樣本的模糊規則前件的觸發強度和模糊規則后件的結論真值；

步驟D、根據所述觸發強度、結論真值及預設的Softmax函數，對新樣本進行解模糊化，得到所述新樣本的預測輸出。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

步驟E、將所述訓練數據集輸入訓練后的極限學習機，得到實際輸出數據及訓練數據對應的模糊規則前件的觸發強度，并利用所述觸發強度及所述實際輸出數據構建實際拓展決策屬性值矩陣；

步驟F、從預設區間內選取服從均勻分布的隨機數作為模糊規則前件中模糊隸屬度函數的中心；

步驟G、基于所述實際拓展決策屬性值矩陣得到所述訓練數據集的模糊規則前件的觸發強度概率向量，在所述觸發強度概率向量等于所述模糊隸屬度函數的乘積的條件下，利用所述模糊隸屬度函數的中心求解所述模糊隸屬度函數的半徑；

步驟H、當所述模糊隸屬度函數的半徑中存在非正值時，返回所述步驟F，當所述模糊隸屬度函數的半徑均為正值時，則基于所述模糊隸屬度函數的中心及半徑得到模糊規則庫。

3.根據權利要求1所述的方法，其特征在于，所述步驟C具體包括：

基于所述極限學習機的隱含層輸出矩陣及所述輸出層權重、所述新樣本對應的原始條件屬性值矩陣，按照如下公式得到所述模糊規則前件的觸發強度和模糊規則后件的結論真值：

其中，Z表示觸發強度、Y表示結論真值，(h₁h₂…h_L)表示所述新樣本輸入所述極限學習機后，所述極限學習機的隱含層輸出矩陣，B表示輸出層權重，D表示新樣本的條件屬性個數，x_d表示新樣本中的第d個數據，w_d1、w_d2至w_dL表示所述極限學習機的輸入層權重，L表示極限學習機的隱含層節點的個數，σ₁、σ₂至σ_L表示極限學習機的隱含層偏置。

4.根據權利要求1所述的方法，其特征在于，所述步驟D具體包括：

利用如下公式進行解模糊化處理，以得到所述新樣本的預測輸出:

其中，Q表示所述新樣本的預測輸出，K表示聚類時類簇的個數，z_k表示新樣本的模糊規則前件的觸發強度，τ表示softmax函數的溫度參數，且大于0，y_k表示所述新樣本的模糊規則后件的結論真值。

5.根據權利要求2所述的方法，其特征在于，在所述步驟G中按照如下公式求解所述模糊隸屬度函數的半徑：

其中：

其中，v₁₁至v_NK表示觸發強度概率向量，m₁₁至m_KD表示所述模糊隸屬度函數的半徑，x₁₁至x_ND表示訓練數據集對應的原始條件屬性值矩陣中的值，c₁₁至c_KD表示所述模糊隸屬度函數的中心。