一种具有类人学能力的TSK模糊系统建模方法

摘要

本发明公开了一种具有类人学能力的TSK模糊系统建模方法。本发明方法主要以TSK模糊系统作为研究对象，在此基础上通过利用传统TSK模型对历史数据训练得到的历史储备(模型参数)融入当前场景训练模型中，进而发明了具有类人学能力的模糊系统，即TSK类人学模糊系统。本发明方法的优势在于所得到的TSK模糊系统不但能够充分利用当前场景的数据信息，而且还能够有效地利用历史储备来进行迁移辅助学，它具有通过继承历史储备来弥补当前场景信息缺失的能力。

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：$P_{g0}=\frac{2}{\tau }\underset{i=1}{\overset{N}{\Sigma }}({\lambda }_{0i}^{+}-{\lambda }_{0i}^{-})x_{g0}i---\left(1\right)$其中，τ表示TSK回归模型的容错项，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，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，得到一个全新的TSK模糊系统训练模型具体形式如下：$\underset{P_g,{\xi }^{+},{\xi }^{-},ϵ}{\min }\tilde{L}(P_g,{\xi }^{+},{\xi }^{-},ϵ)={\Psi }_{\mathrm{current}}(P_g,{\xi }^{+},{\xi }^{-},ϵ)+\lambda {\Psi }_{\mathrm{history}}(P_g,P_{g_0})$$s.t.\left\{\begin{array}{c}{y}_i-P_g^T{x}_{\mathrm{gi}}<ϵ+{\xi }_i^{+}\\ P_g^T{x}_{\mathrm{gi}}-y_i<ϵ+{\xi }_i^{-}\end{array}\right.,\forall i---\left(2\right)$${\Psi }_{\mathrm{current}}=\frac{1}{\tau }·\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}({\left({\xi }_i^{+}\right)}^2+{\left({\xi }_i^{-}\right)}^2)+\frac{1}{2}\left(P_g^T{P}_g\right)+\frac{2}{\tau }·ϵ---(2-1)$${\Psi }_{\mathrm{history}}={(P_g-P_{g_0})}^T(P_g-P_{g_0})---(2-2)$其中，以及分别表示受训模型的松弛变量项，表示从步骤一历史训练得到模型参数，P_g表示通过当前数据以及历史模型参数共同引导得到的TSK模糊系统的模型参数，y_i表示当前样本的第i个输出，x_gi表示当前样本第i个样本点，ε表示误差控制项，τ表示TSK回归模型的容错项，λ表示对历史储备的继承程度，数值越大越接近历史；步骤三：利用通过步骤二获取的模型参数P_g，利用以下输出，得到TSK模糊系统$y^0=p_g^T{x}_g---\left(3\right)$以得到具有类人学习能力的TSK模糊系统；其中y⁰表示系统的输出项，表示通过步骤二得到的当前的模型参数，x_g表示当前采集到的样本点集合。