專(zhuān)利名稱(chēng)：基于nsga-ⅱ優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法
技術(shù)領(lǐng)域：
本發(fā)明涉及數(shù)據(jù)挖掘和人工智能的技術(shù)領(lǐng)域，尤其是一種基于第二代非支配排序遺傳算法(Non-dominated sorting genetic algorithm II，NSGA-1I)優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法。
背景技術(shù)：
模糊回歸模型的知識(shí)表達(dá)形式和推理機(jī)制符合人類(lèi)思維習(xí)慣，其結(jié)構(gòu)和模糊集合隸屬函數(shù)參數(shù)具有明顯的物理意義。人們可通過(guò)易于理解的模糊規(guī)則洞察回歸模型的內(nèi)部運(yùn)行機(jī)理，即解釋性是模糊回歸模型最顯著的特征。
隨著回歸問(wèn)題維數(shù)和復(fù)雜性的提高，利用傳統(tǒng)的方法構(gòu)造模糊回歸模型主要存在以下幾個(gè)問(wèn)題而使模型不具備解釋性:1)特征變量的維數(shù)存在冗余；2)模糊規(guī)則數(shù)比實(shí)際需要的多；3)模糊規(guī)則前件數(shù)比實(shí)際需要的多；4)模糊集合的數(shù)量與參數(shù)設(shè)計(jì)不合理。為克服以上問(wèn)題，諸多學(xué)者對(duì)在保證系統(tǒng)精確性時(shí)如何提高模型的解釋性進(jìn)行了相關(guān)石開(kāi)究° “J.Casillas, 0.Cordon, M.J.del Jesus, F.Herrera.Genetic tuning offuzzy rule deep structures preserving interpretability and its interaction withfuzzy rule set reduction.1EEE Trans.Fuzzy Systems.2005(13): 13-29，，在模糊規(guī)則中釆用了模糊限制語(yǔ)，利用遺傳算法實(shí)現(xiàn)了模糊規(guī)則和隸屬函數(shù)參數(shù)的優(yōu)化，但是該方法模糊規(guī)則及其前件仍存在冗余?！癛.Alcala, J.Alcalaa-Fdezj M J Gacto, et al.AMult1-Objective Evolutionary Algorithm for Rule Selection and Tuning on FuzzyRule-Based Systems.Proceeding of 2007 IEEE International Conference on FuzzySystems, London, IEEE Press.2007: 1367-1372” 和 “M.J.Gacto, R.Alcala, F.Herrera.Adaptation and Application of Mult1-Objective Evolutionary Algorithmsfor Rule Reduction and Parameter Tuning of Fuzzy Rule-Based Systems.SoftComputing.2009(13): 419-436”釆用二進(jìn)制編碼進(jìn)行規(guī)則選擇，釆用實(shí)數(shù)編碼進(jìn)行隸屬函數(shù)參數(shù)優(yōu)化，但該方法的規(guī)則為等長(zhǎng)度，未涉及規(guī)則前件的優(yōu)化。
上述技術(shù)均對(duì)模糊回歸模型進(jìn)行了優(yōu)化，不同程度地提高了模型的解釋性，但是模糊規(guī)則及其前件冗余的情況仍然存在。發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于NSGA-1I優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法，減少模糊集合、模糊規(guī)則及其前件的冗余，提高模糊回歸模型的解釋性。首先通過(guò)三角隸屬函數(shù)和麗(Wang and Mendel)算法構(gòu)造初始模糊回歸模型；然后基于NSGA-1I優(yōu)化模糊回歸模型，減少了模糊集合數(shù)，優(yōu)化了模糊集合參數(shù)，同時(shí)通過(guò)對(duì)模糊規(guī)則及其前件的選擇來(lái)刪除模糊規(guī)則中的冗余，從而提高了模糊回歸模型的精確性和解釋性。
實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為:一種基于NSGA-1I優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法，包括以下步驟:
步驟一、構(gòu)造初始模糊回歸模型根據(jù)樣本輸入輸出數(shù)據(jù)，利用三角隸屬函數(shù)和WM算法構(gòu)造初始模糊回歸模型。步驟二、設(shè)定進(jìn)化參數(shù)給定所需的種群規(guī)模L、最大迭代次數(shù)MAXTER、當(dāng)前迭代次數(shù)t、交叉率pc、變異率pm。步驟三、產(chǎn)生初始代種群將初始模糊回歸模型直接編碼產(chǎn)生第一條染色體，定義模糊回歸模型編碼方式如下:
權(quán)利要求
1.一種基于NSGA-1I優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法，其特征在于包括以下步驟: 步驟一、構(gòu)造初始模糊回歸模型 根據(jù)樣本輸入輸出數(shù)據(jù)，利用三角隸屬函數(shù)和WM算法構(gòu)造初始模糊回歸模型； 步驟二、設(shè)定進(jìn)化參數(shù) 給定所需的種群規(guī)模L、最大迭代次數(shù)MAXTER、當(dāng)前迭代次數(shù)t、交叉率pc、變異率pm ； 步驟三、產(chǎn)生初始代種群 將初始模糊回歸模型直接編碼產(chǎn)生第一條染色體，定義模糊回歸模型編碼方式如下:
2.根據(jù)權(quán)利要求1所述的基于NSGA-1I優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法，其特征在于，所述步驟一中，利用三角隸屬函數(shù)和WM算法構(gòu)造初始模糊回歸模型的過(guò)程如下: ·1.1采用強(qiáng)模糊劃分將每個(gè)輸入輸出論域空間均勻劃分為f個(gè)三角模糊集合，f為給定的每個(gè)變量的初始模糊集合數(shù)； ·1.2每個(gè)輸入輸出樣本數(shù)據(jù)構(gòu)造一條模糊規(guī)則，模糊前件中的模糊集合為輸入樣本對(duì)應(yīng)的最大隸屬函數(shù)值所在集合，模糊后件中的模糊集合為輸出樣本的最大隸屬函數(shù)值所在集合; ·1.3計(jì)算每條規(guī)則的模糊推理輸出Wp公式如下:
3.根據(jù)權(quán)利要求1所述的基于NSGA-1I優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法，其特征在于，所述步驟三中，剩下的L-1條染色體，Ct以第一條染色體的Ct為中心在搜索空間內(nèi)隨機(jī)均勻生成，其中搜索空間為:
4.根據(jù)權(quán)利要求1所述的基于NSGA-1I優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法，其特征在于，所述步驟五中，利用NSGA-1I算法全局搜索最優(yōu)個(gè)體的過(guò)程如下: ·5.1對(duì)種群進(jìn)行遺傳操作:采用二進(jìn)制錦標(biāo)賽選擇；對(duì)染色體Ct部分進(jìn)行BLX-0.5交叉，對(duì)染色體Cs部分進(jìn)行HUX交叉，交叉率為pc ;每?jī)蓷l染色體的Cs和Ct在進(jìn)行交叉后各有兩個(gè)子代，結(jié)合它們得到四條子代染色體，對(duì)這四條子代染色體進(jìn)行概率為Pm的單點(diǎn)變異操作，即在Cs和Ct中各隨機(jī)選擇一個(gè)基因進(jìn)行變異；將變異后的四條染色體反編碼為對(duì)應(yīng)的模糊回歸模型，計(jì)算它們的適應(yīng)度函數(shù)值，留下準(zhǔn)確性最高的兩條染色體作為子代；第t代種群在遺傳操作完成后得到子代種群； ·5.2混合第t代種群及其子代種群得到個(gè)體數(shù)為2L的新種群； ·5.3將新種群中的個(gè)體反編碼為對(duì)應(yīng)的模糊回歸模型，計(jì)算每個(gè)模型的適應(yīng)度函數(shù)值，對(duì)新種群中的所有個(gè)體的適應(yīng)度函數(shù)值進(jìn)行非支配水平排序與密集度評(píng)估； ·5.4采用比較運(yùn)算符對(duì)新種群中所有個(gè)體的適應(yīng)度函數(shù)值進(jìn)行排序，取前L 個(gè)個(gè)體作為下一代種群； · 5.5迭代次數(shù)t加1，若t〈MAXTER，則返回5.1，否則，算法終止； · 5.6當(dāng)前種群中非支配水平最高個(gè)體中精確性最高的個(gè)體即為最優(yōu)個(gè)體。
全文摘要
本發(fā)明公開(kāi)了一種基于NSGA-Ⅱ優(yōu)化改進(jìn)的模糊回歸模型構(gòu)造方法，減少模糊集合、模糊規(guī)則及其前件的冗余，提高模糊回歸模型的解釋性。首先通過(guò)三角隸屬函數(shù)和WM(WangandMendel)算法構(gòu)造初始模糊回歸模型；然后基于NSGA-Ⅱ優(yōu)化模糊回歸模型，減少了模糊集合數(shù)，優(yōu)化了模糊集合參數(shù)，同時(shí)通過(guò)對(duì)模糊規(guī)則及其前件的選擇來(lái)刪除模糊規(guī)則中的冗余，從而提高了模糊回歸模型的精確性和解釋性。
文檔編號(hào)G06N7/02GK103198359SQ20131011617
公開(kāi)日2013年7月10日 申請(qǐng)日期2013年4月3日 優(yōu)先權(quán)日2013年4月3日
發(fā)明者邢宗義, 季海燕, 劉萍, 李建偉, 冒玲麗, 郭翔 申請(qǐng)人:南京理工大學(xué)