[發明專利]一種基于梯度下降的時序模糊認知圖的學習方法及系統

在審

• 申請號: 201810592605.2
• 申請日: 2018-06-11
• 公開（公告）號: CN108875960A
• 公開（公告）日: 2018-11-23
• 發明（設計）人: 馮禹洪;李宸;華靜靜;周才清;鐘皓明;苗春燕
• 申請（專利權）人: 深圳大學
• 主分類號: G06N99/00
• 分類號: G06N99/00;G06N7/02
• 代理公司: 深圳市恒申知識產權事務所(普通合伙) 44312
• 代理人: 袁文英

本發明適用于時間序列分析技術領域，提供了時序模糊認知圖的學習方法，包括：對樣本數據進行預處理后劃分，得到訓練樣本集和預測樣本集，使用基于時序的皮爾遜相關系數初始化權值函數，在訓練樣本集中內構建全連接的時序模糊認知圖網絡；根據迭代次數，使用批量梯度下降法對初始化后的權值函數進行優化，用損失函數度量每次優化后的權值函數的誤差；選取使得損失函數最小的權值函數，構建最優時序模糊認知圖網絡，利用預測樣本集對最優時序模糊認知圖進行驗證，本發明使用批量梯度下降算法學習出tFCM模型，使用基于時序的皮爾遜相關系數來初始化權值，讓搜索范圍落在一個有統計意義的區間，降低陷入局部最優解的可能性。

技術領域

本發明屬于時間序列分析技術領域，尤其涉及一種基于梯度下降的時序模糊認知圖的學習方法及系統。

背景技術

模糊認知圖(Fuzzy Cognitive Map,FCM)是一種用于知識表達和因果推理的有向加權圖，已經被廣泛應用于工程技術管理、醫藥決策支持等領域。然而，FCM的迭代推理沒有展現出因果關系中的時序性。時序模糊認知圖(Temporal Fuzzy Cognitive Map,tFCM)克服了FCM這個缺陷，它把每條邊上的權值設計成離散時間域上的函數，能夠充分展現出各個時間段內各因子的相互因果關系影響。

目前，tFCM的邊權值是人工指定的，其缺點有二：1)人為估算權值需要其具備相應數據領域知識、FCM知識等，對人的要求很高；2)tFCM用于處理時序數據，時序數據是不斷動態變化的，需要模型具備學習能力，人工指定邊權值將會限制tFCM對時序數據的適應性。

FCM中已經有自動地計算、學習邊權值的方法，比如基于Hebbian的學習算法、基于進化思想的算法。但是在現有的學習方法中，存在容易陷入局部最優解的可能性，同時學習的準確性不高的問題。

發明內容

本發明所要解決的技術問題在于提供一種基于梯度下降的時序模糊認知圖的學習方法及系統，旨在解決現有的學習方法中，存在容易陷入局部最優解的可能性，同時學習的準確性不高的問題。

本發明是這樣實現的，一種基于梯度下降的時序模糊認知圖的學習方法，包括：

步驟A，獲取初始樣本數據，對所述初始樣本數據進行預處理，得到樣本數據；

步驟B，對所述樣本數據進行劃分，得到訓練樣本集和預測樣本集；

步驟C，使用基于時序的皮爾遜相關系數初始化權值函數，在所述訓練樣本集中內構建全連接的時序模糊認知圖網絡；

步驟D，根據預置的迭代次數，使用批量梯度下降法對初始化后的權值函數進行優化，用損失函數度量每次優化后的權值函數的誤差；

步驟E，選取使得損失函數最小的權值函數，構建最優時序模糊認知圖網絡，所述最優時序模糊認知圖表示所述樣本數據中每個節點在不同時間段內的互相影響；

步驟F，利用所述預測樣本集對所述最優時序模糊認知圖進行驗證。

進一步地，所述步驟A包括：

步驟A1，從預置的數據源獲取初始樣本數據；

步驟A2，對所述初始樣本數據進行包括特征提取、歸一化的預處理，得到所述樣本數據，所述樣本數據表示各個特征在每個時刻的值。

進一步地，所述步驟B包括：

步驟B1，對所述樣本數據使用滑窗法，生成大小相同的若干樣本組；

步驟B2，將若干所述樣本組劃分為訓練樣本集和測試樣本集。

進一步地，所述樣本組內，第s時刻每個節點與前s-1個時刻所有節點均有邊連接，所述步驟C包括：