專利名稱：具有歷史繼承性的ml型模糊系統(tǒng)建模方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模糊系統(tǒng)，具體是一種具有歷史繼承性的ML型模糊系統(tǒng)建模方法。
背景技術(shù)：
漂移數(shù)據(jù)是指具有同源性的兩個(gè)數(shù)據(jù)集，即這兩個(gè)數(shù)據(jù)集從同一產(chǎn)業(yè)部門生成， 但由于生產(chǎn)環(huán)境、生產(chǎn)條件以及生產(chǎn)工藝的改變或不同，造成了兩類數(shù)據(jù)在本質(zhì)上具有一定的相似性，但又存在一定的偏差以及漂移，我們將此類數(shù)據(jù)定義為漂移數(shù)據(jù)。對(duì)于歷史繼承這一概念，不管是在生物領(lǐng)域，還是在計(jì)算機(jī)領(lǐng)域內(nèi)都具有非常有用的研究?jī)r(jià)值。1)在生物領(lǐng)域，一般通過研究其歷史的繼承來判斷事物的發(fā)展規(guī)律，從而在不破壞這一規(guī)律的前提下，有效的進(jìn)行人為改造，進(jìn)而創(chuàng)造出更加可觀的生產(chǎn)價(jià)值；2)在計(jì)算機(jī)領(lǐng)域，研究人員一般通過歷史繼承來節(jié)約開發(fā)的周期，在已有的模型的基礎(chǔ)上，不斷的進(jìn)行再創(chuàng)造，改進(jìn)已有方法，進(jìn)而得到更加完善的新型方法。模糊系統(tǒng)理論是以模糊集和模糊推理理論(FST，F(xiàn)uzzy Set Theory)為基礎(chǔ)演變而來的。它能對(duì)處理人類生產(chǎn)與實(shí)踐過程中的思維、分析、推理以及決策過程建立一種與之對(duì)應(yīng)的數(shù)學(xué)模型，使得自然語言直接轉(zhuǎn)譯成計(jì)算機(jī)能夠識(shí)別的機(jī)器語言。其特色是不但具有高度的可解釋性，還具有強(qiáng)大的學(xué)習(xí)能力。目前，模糊系統(tǒng)已廣泛的應(yīng)用于各個(gè)領(lǐng)域，如智能控制、信號(hào)處理、模式識(shí)別等方面。而ML型的模糊系統(tǒng)由于其簡(jiǎn)單性及易于應(yīng)用等優(yōu)點(diǎn)，使得其在模糊系統(tǒng)領(lǐng)域內(nèi)受到廣泛地關(guān)注。由于在實(shí)際生產(chǎn)過程中，傳感器以及數(shù)據(jù)采集器的工作性能并不非常穩(wěn)定，從而造成當(dāng)前采集到的數(shù)據(jù)在某些時(shí)刻或者某些時(shí)間區(qū)間內(nèi)存在不同程度的數(shù)據(jù)信息丟失現(xiàn)象。如果直接利用此類數(shù)據(jù)并采用現(xiàn)有的模糊系統(tǒng)建模方法進(jìn)行模型訓(xùn)練，那么所得到的最終模型必定在某些區(qū)域內(nèi)存在嚴(yán)重的性能下降現(xiàn)象。雖然歷史場(chǎng)景數(shù)據(jù)對(duì)當(dāng)前場(chǎng)景建模有一定有用性，但是由于歷史數(shù)據(jù)其本身與當(dāng)前的數(shù)據(jù)又存在一定地漂移性，并且有些受到保密措施保護(hù)的數(shù)據(jù)對(duì)于一般的研究人員來講是不易獲得的。因而以上兩點(diǎn)原因使得直接借助歷史數(shù)據(jù)進(jìn)行建模變得不太有效。即便能夠獲取歷史數(shù)據(jù)，由于數(shù)據(jù)漂移現(xiàn)象的存在也會(huì)降低所建模型的性能。

發(fā)明內(nèi)容
本發(fā)明的目的是為了克服上述之不足，提供一種具有歷史繼承性的ML型模糊系統(tǒng)建模方法，使得利用這種方法不但可以有效地繼承歷史知識(shí)(由歷史數(shù)據(jù)總結(jié)出的結(jié)論)，而且還允許獲取的歷史知識(shí)與當(dāng)前采集到的數(shù)據(jù)之間存在一定程度的偏移性。最終， 使得利用此種方法開發(fā)出的模糊系統(tǒng)更加適應(yīng)于實(shí)際漸變環(huán)境下的生產(chǎn)控制和建模。按照本發(fā)明提供的技術(shù)方案，所述具有歷史繼承性的ML型模糊系統(tǒng)建模方法，包含如下步驟步驟一利用歷史場(chǎng)景數(shù)據(jù)基于RSDE (壓縮集密度估計(jì)器)密度估計(jì)從而得到ML 型模糊系統(tǒng)對(duì)應(yīng)的歷史模型概率密度分布，所述歷史模型概率密度分布的函數(shù)形式表示如下
權(quán)利要求
1.具有歷史繼承性的ML型模糊系統(tǒng)建模方法，其特征是，包含如下步驟步驟一利用歷史場(chǎng)景數(shù)據(jù)基于RSDE密度估計(jì)從而得到ML型模糊系統(tǒng)對(duì)應(yīng)的歷史模型概率密度分布，所述歷史模型概率密度分布的函數(shù)形式表示如下
2.如權(quán)利要求1所述具有歷史繼承性的ML型模糊系統(tǒng)建模方法，其特征是，步驟四所述對(duì)目標(biāo)函數(shù)進(jìn)行全局優(yōu)化的步驟包括1)固定Uy，ο。不變，利用式3優(yōu)化&當(dāng)Uy，ο。不變時(shí)，式3對(duì)應(yīng)取極值的必要條件表示為
3.如權(quán)利要求1所述具有歷史繼承性的ML型模糊系統(tǒng)建模方法，其特征是，式3中的目標(biāo)函數(shù)包含兩部分第一個(gè)部分為歷史知識(shí)的傳承，用于使得學(xué)習(xí)得到的概率密度估計(jì)接近歷史信息對(duì)應(yīng)的密度估計(jì)；第二個(gè)部分是利用當(dāng)前場(chǎng)景數(shù)據(jù)對(duì)密度分布進(jìn)行估計(jì)，用于使得估計(jì)出的密度分布逼近于真實(shí)的密度分布。
4.如權(quán)利要求3所述具有歷史繼承性的ML型模糊系統(tǒng)建模方法，其特征是，所述目標(biāo)函數(shù)的第二部分直接繼承于RSDE密度估計(jì)的目標(biāo)函數(shù)。
5.如權(quán)利要求3所述具有歷史繼承性的ML型模糊系統(tǒng)建模方法，其特征是，式3中的參數(shù)λ用來平衡兩部分的影響，用經(jīng)典的交叉驗(yàn)證策略來估計(jì)λ的最優(yōu)值。
全文摘要
本發(fā)明公開了一種具有歷史繼承性的模糊系統(tǒng)建模方法。本發(fā)明方法主要以ML型模糊系統(tǒng)作為研究對(duì)象，在此基礎(chǔ)上通過利用RSDE(壓縮集密度估計(jì)方法)對(duì)歷史數(shù)據(jù)以及當(dāng)前場(chǎng)景數(shù)據(jù)分別進(jìn)行概率密度分布估計(jì)，進(jìn)而發(fā)明了具有歷史繼承性的模糊系統(tǒng)，即ML型歷史繼承模糊系統(tǒng)。本發(fā)明方法的優(yōu)勢(shì)在于所得到的模糊系統(tǒng)不但能夠充分利用當(dāng)前場(chǎng)景的數(shù)據(jù)信息，而且還能夠有效地利用歷史知識(shí)來進(jìn)行學(xué)習(xí)，它具有通過繼承歷史場(chǎng)景知識(shí)來彌補(bǔ)當(dāng)前場(chǎng)景信息缺失的能力。
文檔編號(hào)G06N7/02GK102496065SQ20111036361
公開日2012年6月13日 申請(qǐng)日期2011年11月16日 優(yōu)先權(quán)日2011年11月16日
發(fā)明者倪彤光, 劉忠寶, 應(yīng)文豪, 張戰(zhàn)成, 王士同, 王駿, 蔣亦樟, 鄧趙紅, 錢鵬江 申請(qǐng)人:江南大學(xué)