[發(fā)明專利]基于極限學(xué)習(xí)機(jī)的極限TS模糊推理方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201810468570.1
• 申請日: 2018-05-16
• 公開（公告）號: CN108665070A
• 公開（公告）日: 2018-10-16
• 發(fā)明（設(shè)計(jì)）人: 何玉林
• 申請（專利權(quán)）人: 深圳大學(xué)
• 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(chǎn)權(quán)事務(wù)所(普通合伙) 44312
• 代理人: 王利彬

本發(fā)明公開了基于極限學(xué)習(xí)機(jī)的極限TS模糊推理方法及系統(tǒng)，方法包括：使用K?means聚類算法對訓(xùn)練數(shù)據(jù)集對應(yīng)的原始條件屬性值矩陣進(jìn)行聚類，根據(jù)聚類結(jié)果構(gòu)建拓展決策屬性值矩陣，利用該矩陣對單個極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，得到輸出層權(quán)重，及訓(xùn)練后的極限學(xué)習(xí)機(jī)，將新樣本輸入極限學(xué)習(xí)機(jī)，得到模糊規(guī)則前件的觸發(fā)強(qiáng)度和后件的結(jié)論真值，根據(jù)該觸發(fā)強(qiáng)度及結(jié)論真值，進(jìn)行解模糊化，得到新樣本的預(yù)測輸出。通過利用拓展決策屬性值矩陣對單個極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，使得不需要迭代的參數(shù)優(yōu)化，能夠快速的完成訓(xùn)練過程，訓(xùn)練時間短，且基于softmax函數(shù)的解模糊化操作，能夠有效的實(shí)現(xiàn)對觸發(fā)強(qiáng)度的規(guī)范化處理，有效實(shí)現(xiàn)預(yù)測輸出數(shù)據(jù)的輸出。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種基于極限學(xué)習(xí)機(jī)的極限TS模糊推理方法及系統(tǒng)。

背景技術(shù)

Takagi-Sugeno(TS)模糊推理系統(tǒng)最早由日本學(xué)者T.Takagi和M.Sugeno提出，后經(jīng)M.Sugeno和G.T.Kang進(jìn)一步完善，TS模糊推理亦稱為Sugeno模糊推理或者Takagi-Sugeno-Kang(TSK)模糊推理。其核心思想是“利用若干簡單的線性系統(tǒng)去擬合一個復(fù)雜的非線性系統(tǒng)”，通過對輸入的模糊化、基于模糊規(guī)則的推理演算、以及對輸出的解模糊化來達(dá)到“使用一系列局部線性模型去逼近一個整體非線性模型”的目的。理論研究表明，TS模糊推理系統(tǒng)能以任意精度逼近任意非線性模型。

構(gòu)建TS模糊推理系統(tǒng)的關(guān)鍵點(diǎn)在于模糊規(guī)則前件觸發(fā)強(qiáng)度(Firing Strength：衡量輸入與模糊規(guī)則匹配度的量)和后件結(jié)論真值(Qualified Consequent：輸入對應(yīng)的模糊規(guī)則后件輸出)的確定。確定觸發(fā)強(qiáng)度和結(jié)論真值的前提是確定規(guī)則前件中隸屬度函數(shù)的學(xué)習(xí)參數(shù)和規(guī)則后件中多元線性回歸模型的回歸系數(shù)。經(jīng)典的TS模糊推理系統(tǒng)是基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)(Adaptive Neuro-FuzzyInference System，ANFIS)(1993年IEEE TSMC發(fā)表)，其利用一個類似于神經(jīng)網(wǎng)絡(luò)的5層拓?fù)浣Y(jié)構(gòu)，采用反向傳播算法和最小二乘法確定出模糊規(guī)則的前件參數(shù)(Premise Parameters)和后件系數(shù)(ConsequentCoefficients)。

然而，ANFIS的主要缺陷是訓(xùn)練時間長。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種極限TS模糊推理系統(tǒng)的構(gòu)建方法及系統(tǒng)，旨在解決現(xiàn)有技術(shù)中TS模糊推理系統(tǒng)存在訓(xùn)練時間長的技術(shù)問題。

為實(shí)現(xiàn)上述目的，本發(fā)明第一方面提供一種基于極限學(xué)習(xí)機(jī)的TS模糊規(guī)則推理方法，包括：

步驟A、使用K-means聚類算法對訓(xùn)練數(shù)據(jù)集對應(yīng)的原始條件屬性值矩陣進(jìn)行聚類，得到聚類結(jié)果，并根據(jù)所述聚類結(jié)果及所述訓(xùn)練數(shù)據(jù)集的預(yù)測輸出數(shù)據(jù)構(gòu)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(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，得到所述極限學(xué)習(xí)機(jī)的輸出層權(quán)重，及訓(xùn)練后的極限學(xué)習(xí)機(jī)；

步驟C、將未知的新樣本輸入訓(xùn)練后的所述極限學(xué)習(xí)機(jī)，得到所述新樣本的模糊規(guī)則前件的觸發(fā)強(qiáng)度和模糊規(guī)則后件的結(jié)論真值；

步驟D、根據(jù)所述觸發(fā)強(qiáng)度、結(jié)論真值及預(yù)設(shè)的Softmax函數(shù)，對新樣本進(jìn)行解模糊化，得到所述新樣本的預(yù)測輸出。

為實(shí)現(xiàn)上述目的，本發(fā)明第二方面提供一種基于極限學(xué)習(xí)機(jī)的極限TS模糊推理系統(tǒng)，包括：

聚類構(gòu)建模塊，用于使用K-means聚類算法對訓(xùn)練數(shù)據(jù)集對應(yīng)的原始條件屬性值矩陣進(jìn)行聚類，得到聚類結(jié)果，并根據(jù)所述聚類結(jié)果及所述訓(xùn)練數(shù)據(jù)集的預(yù)測輸出數(shù)據(jù)構(gòu)建拓展決策屬性值矩陣；

訓(xùn)練模塊，用于利用所述拓展決策屬性值矩陣對單個極限學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，得到所述極限學(xué)習(xí)機(jī)的輸出層權(quán)重，及訓(xùn)練后的極限學(xué)習(xí)機(jī)；