论文部分内容阅读
Takagi-Sugeno-Kang(TSK)模糊系统在处理高维非线性建模任务时,通常需要更多的模糊规则数,这也进一步降低了其清晰度和解释性,所以本文研究如何稀疏模糊建模。随着异构数据的不断增多,使得研究高效的异构模糊系统很有必要。其中,多视角异构数据是典型的异构数据,针对此,本课题做了初步探讨,探讨了适用于异构多视角模糊建模的多视角聚类技术。多视角数据属于不同的维度空间,如何根据多视角数据的特点,充分挖掘数据之间的联系来提高聚类性能是多视角异构聚类的关键挑战。针对稀疏模糊建模问题,本文做了如下工作:首先,提出面向单调分类的简洁单调TSK模糊系统建模方法(Concise Monotonic TSK Fuzzy System for monotonic classification,CM-TSK-FS)和提出一种基于软子空间学习和稀疏学习的TSK模糊模型构建方法(Enhanced soft subspace clustering and sparse learning based Concise TSK fuzzy system,ESSC-SL-CTSK-FS)。首先,面向单调分类的简洁TSK模糊系统算法针对单调数据集来提高模糊系统的可解释性,其主要思想:引入有序互信息进行单调特征选择,然后利用抽取的特征来训练TSK模糊系统进行分类识别。该方法有如下优点:(1)由于对单调数据进行了特征选择,新方法降低了TSK模糊系统规则的复杂性,因而得到的模糊系统更加简洁;(2)由于在特征抽取时考虑了单调数据的特征值和决策值之间的单调性,使得训练的模型的分类性能也有了一定程度的提高。面向单调分类的简洁单调TSK模糊系统在处理单调数据集时,通过选取重要的单调数据特征,不仅可以降低其模型的复杂性,还可以提高分类精度。其次,基于软子空间学习和稀疏学习的TSK模糊模型构建方法,在规则前件部分,使用软子空间聚类的方法对数据空间进行划分来生成稀疏的规则子空间;在规则后件部分,使用lasso稀疏学习策略对后件规则进行稀疏学习,达到选取重要模糊和冗余规则的目的;最终生成简洁有效的0阶TSK模糊系统,使得预测模型更加简洁、清晰,易于解释。最后,将上述技术扩展到神经网络上,得到稀疏的神经网络。利用Least Absolute Shrinkage and Selection Operator(LASSO)策略对隐含层节点进行选择,并且使用交叉验证和网格搜索决定收缩参数。针对此,提出基于Lasso稀疏学习的径向基函数神经网络模型建模方法(Radial Basis Function neural network based on Lasso sparse learning,RBF-NN-LASSO)。实验表明,本文算法不仅降低模型的复杂性,进一步提高了模型的分类精度。针对于异构模糊系统建模,做了初步探讨。主要探讨了一种适宜于多视角异构模糊建模的多视角异构聚类算法,即一种隐空间共享多视角模糊聚类方法(HSS-MVFC,Hidden-Space-Sharing Multi-view Fuzzy Clustering)。该方法基于FCM聚类框架,引入了基于多视角共享的隐空间学习机制来获取视角间重要的关联信息。