主权项 |
1.具有类人学习能力的TSK模糊系统建模方法,其特征是,包含如下步骤:步骤一:利用历史储备数据通过传统TSK建模方法从中得到模型参数<img file="FSA00000727738500011.GIF" wi="74" he="73" />:<maths num="0001"><![CDATA[<math><mrow><msub><mi>P</mi><mrow><mi>g</mi><mn>0</mn></mrow></msub><mo>=</mo><mfrac><mn>2</mn><mi>τ</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mrow><mo>(</mo><msubsup><mi>λ</mi><mrow><mn>0</mn><mi>i</mi></mrow><mo>+</mo></msubsup><mo>-</mo><msubsup><mi>λ</mi><mrow><mn>0</mn><mi>i</mi></mrow><mo>-</mo></msubsup><mo>)</mo></mrow><msub><mi>x</mi><mrow><mi>g</mi><mn>0</mn></mrow></msub><mi>i</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中,τ表示TSK回归模型的容错项,<img file="FSA00000727738500013.GIF" wi="76" he="40" /><img file="FSA00000727738500014.GIF" wi="48" he="37" />分别表示通过经典数学方法拉格朗日求解方法得到的拉格朗日乘子,<img file="FSA00000727738500015.GIF" wi="70" he="36" />表示第i个历史样本点;步骤二:在当前新数据采样场景下,在传统TSK模型的基础上融入步骤一的从历史数据得到的模型参数<img file="FSA00000727738500016.GIF" wi="74" he="67" />,得到一个全新的TSK模糊系统训练模型具体形式如下:<maths num="0002"><![CDATA[<math><mrow><munder><mi>min</mi><mrow><msub><mi>P</mi><mi>g</mi></msub><mo>,</mo><msup><mi>ξ</mi><mo>+</mo></msup><mo>,</mo><msup><mi>ξ</mi><mo>-</mo></msup><mo>,</mo><mi>ϵ</mi></mrow></munder><mover><mi>L</mi><mo>~</mo></mover><mrow><mo>(</mo><msub><mi>P</mi><mi>g</mi></msub><mo>,</mo><msup><mi>ξ</mi><mo>+</mo></msup><mo>,</mo><msup><mi>ξ</mi><mo>-</mo></msup><mo>,</mo><mi>ϵ</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>Ψ</mi><mi>current</mi></msub><mrow><mo>(</mo><msub><mi>P</mi><mi>g</mi></msub><mo>,</mo><msup><mi>ξ</mi><mo>+</mo></msup><mo>,</mo><msup><mi>ξ</mi><mo>-</mo></msup><mo>,</mo><mi>ϵ</mi><mo>)</mo></mrow><mo>+</mo><mi>λ</mi><msub><mi>Ψ</mi><mi>history</mi></msub><mrow><mo>(</mo><msub><mi>P</mi><mi>g</mi></msub><mo>,</mo><msub><mi>P</mi><msub><mi>g</mi><mn>0</mn></msub></msub><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0003"><![CDATA[<math><mrow><mi>s</mi><mo>.</mo><mi>t</mi><mo>.</mo><mfenced open='{' close=''><mtable><mtr><mtd><msub><mi>y</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>P</mi><mi>g</mi><mi>T</mi></msubsup><msub><mi>x</mi><mi>gi</mi></msub><mo><</mo><mi>ϵ</mi><mo>+</mo><msubsup><mi>ξ</mi><mi>i</mi><mo>+</mo></msubsup></mtd></mtr><mtr><mtd><msubsup><mi>P</mi><mi>g</mi><mi>T</mi></msubsup><msub><mi>x</mi><mi>gi</mi></msub><mo>-</mo><msub><mi>y</mi><mi>i</mi></msub><mo><</mo><mi>ϵ</mi><mo>+</mo><msubsup><mi>ξ</mi><mi>i</mi><mo>-</mo></msubsup></mtd></mtr></mtable></mfenced><mo>,</mo><mo>∀</mo><mi>i</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0004"><![CDATA[<math><mrow><msub><mi>Ψ</mi><mi>current</mi></msub><mo>=</mo><mfrac><mn>1</mn><mi>τ</mi></mfrac><mo>·</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mrow><mo>(</mo><msup><mrow><mo>(</mo><msubsup><mi>ξ</mi><mi>i</mi><mo>+</mo></msubsup><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mo>(</mo><msubsup><mi>ξ</mi><mi>i</mi><mo>-</mo></msubsup><mo>)</mo></mrow><mn>2</mn></msup><mo>)</mo></mrow><mo>+</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mrow><mo>(</mo><msubsup><mi>P</mi><mi>g</mi><mi>T</mi></msubsup><msub><mi>P</mi><mi>g</mi></msub><mo>)</mo></mrow><mo>+</mo><mfrac><mn>2</mn><mi>τ</mi></mfrac><mo>·</mo><mi>ϵ</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0005"><![CDATA[<math><mrow><msub><mi>Ψ</mi><mi>history</mi></msub><mo>=</mo><msup><mrow><mo>(</mo><msub><mi>P</mi><mi>g</mi></msub><mo>-</mo><msub><mi>P</mi><msub><mi>g</mi><mn>0</mn></msub></msub><mo>)</mo></mrow><mi>T</mi></msup><mrow><mo>(</mo><msub><mi>P</mi><mi>g</mi></msub><mo>-</mo><msub><mi>P</mi><msub><mi>g</mi><mn>0</mn></msub></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>-</mo><mn>2</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中,<img file="FSA000007277385000111.GIF" wi="46" he="56" />以及<img file="FSA000007277385000112.GIF" wi="47" he="50" />分别表示受训模型的松弛变量项,<img file="FSA000007277385000113.GIF" wi="82" he="70" />表示从步骤一历史训练得到模型参数,P<sub>g</sub>表示通过当前数据以及历史模型参数共同引导得到的TSK模糊系统的模型参数,y<sub>i</sub>表示当前样本的第i个输出,x<sub>gi</sub>表示当前样本第i个样本点,ε表示误差控制项,τ表示TSK回归模型的容错项,λ表示对历史储备的继承程度,数值越大越接近历史;步骤三:利用通过步骤二获取的模型参数P<sub>g</sub>,利用以下输出,得到TSK模糊系统<maths num="0006"><![CDATA[<math><mrow><msup><mi>y</mi><mn>0</mn></msup><mo>=</mo><msubsup><mi>p</mi><mi>g</mi><mi>T</mi></msubsup><msub><mi>x</mi><mi>g</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow></math>]]></maths>以得到具有类人学习能力的TSK模糊系统;其中y<sup>0</sup>表示系统的输出项,<img file="FSA000007277385000115.GIF" wi="56" he="67" />表示通过步骤二得到的当前的模型参数,x<sub>g</sub>表示当前采集到的样本点集合。 |