具备特征优选功能的中心化TSK模糊系统

对于经典的TSK模糊系统,模糊规则往往存在冗余而且后件参数缺乏可解释性.本文将TSK模糊系统模型转化为中心化形式,并将其建模过程转换为一个分块稀疏表示问题,提出FCA-sparse CTSK模糊模型.首先运用模糊聚类算法(FCA)对样本特征进行化简,并产生模糊系统字典;再利用存在于中心化TSK(CTSK)模糊模型中的分块结构信息,选取重要的模糊规则并对所选模糊规则的后件参数进行估计.该模型通过中心化方法提高了模糊模型的可解释性,并对模糊规则及模糊规则数同时化简,在合成数据集和真实数据集上都表现出较好的性能.

中心化模糊系统CTSK的分析及应用

从一个新角度重新探讨TSK模糊系统建模问题,引入并分析推导一种新的TSK模糊系统——CTSK。与传统TSK模糊系统相比,CTSK模糊系统具有良好的可解释性、更好的鲁棒性和较强的逼近能力。仿真实验结果有效地验证了上述优点,在用CTSK模糊系统进行地下水质的评价时取得了较好的效果。

中心化模糊系统CTSK及其在预测中的应用

文章引入并详细分析推导了一种新的TSK模糊系统CTSK(Central TSK Fuzzy System)。较之与传统的TSK模糊系统,CTSK模糊系统有如下的优点:良好的可解释性、更好的鲁棒性,同时具有较强的逼近能力。仿真试验有效地验证了上述优点。

基于迁移模糊系统的短期电力负荷预测建模

针对电力负荷数据缺失导致预测精度降低的问题,本文提出基于TSK迁移模糊系统(TSK-TFS)结合变分模态分解(VMD)、迁移成分分析(TCA)和改进斑马优化算法(IZOA)的短期电力负荷预测模型(IZOA-VMD-TSK-TFS-TCA)。首先利用VMD将电力负荷数据分解为若干子序列,并利用TCA将与电力负荷相关的因素降维;其次对斑马优化算法进行改进,利用改进后的斑马优化算法(IZOA)对TSK-TFS的参数寻优,并利用减法聚类算法得到聚类个数,把源域中的数据输入TSK模糊系统训练得到前件参数和后件参数并保留,继承参数并利用一部分目标域数据训练得到后件参数;最后根据得到的后件参数并经过计算得到测试集(另一部分目标域数据)若干子序列的预测值,将各个子序列的预测值叠加得到短期电力负荷的预测值。仿真实验结果表明,本文提出的IZOA-VMD-TSK-TFS-TCA短期电力负荷预测模型具有较高的预测精度,经过统计检验也证实了该模型具有较优的预测性能。

基于中心型TSK模糊模型的分层模糊系统

模糊系统随着输入维数的增加,其中模糊规则和辨识参数的数量将按指数级增长,针对这一问题,采用分层模糊系统是一种很好的解决方法,但分层模糊系统中各层的辨识变量没有明确的物理含义,无法进行合理的模糊化设计和解释。基于一种分层模糊系统,引用中心性TSK模糊系统思想,从而构造了一种新型的模糊系统。这种新型模糊系统保留了分层模糊系统的结构优势,极大地减少了模糊系统的模糊规则数量和辨识参数数量,又能对用到的内部参数进行很好的解释。并通过实例仿真表明基于中心型TSK模糊模型的分层模糊系统具有较好的逼近性能和更简单的结构。

基于模糊子空间聚类的〇阶L2型TSK模糊系统

经典数据驱动型TSK(Takagi-Sugeno-Kang)模糊系统在获取模糊规则时,会考虑数据的所有特征空间,其带来一个重要缺陷:如果数据的特征空间维数过高,则系统获取的模糊规则繁杂,使系统复杂度增加而导致解释性下降。该文针对此缺陷,探讨了一种基于模糊子空间聚类的〇阶L2型TSK模糊系统(Fuzzy Subspace Clustering based zero-order L2-norm TSK Fuzzy System,FSC-0-L2-TSK-FS)构建新方法。新方法构建的模糊系统不仅能缩减模糊规则前件的特征空间,而且获取的模糊规则可对应于不同的特征子空间,从而具有更接近人类思维的推理机制。模拟和真实数据集上的建模结果表明,新方法增强了面对高维数据所建模型的解释性,同时所建模型得到了较之于一些经典方法更好或可比较的泛化性能。

基于0阶TSK型迁移模糊系统的EEG信号自适应识别

在EEG信号识别中,传统的模糊系统建模方法均假设模型的训练数据集和测试集服从相同的分布,但在实际应用中,该假设受到了严峻的挑战。针对上述挑战,探讨了适宜于数据分布迁移环境的直推式0阶模糊系统构建方法,构造了基于二分类模型的直推式0阶模糊系统目标函数来训练系统参数。提出的直推式迁移0阶TSK型模糊系统(TL-0-TSK-FS)算法在癫痫EEG信号的自适应识别的研究结果表明,该方法较之相关方法显示出了一定的优越性。

TSK模糊逻辑系统相关滤波器跟踪算法

针对当前目标跟踪领域中如何准确迅速地区分目标和背景的问题,大部分跟踪器的核心内容是如何训练一个判别分类器来区分目标和周围环境。目前较为先进的核相关滤波器算法(KCF)及其改进后的判别式相关滤波器(DCF)将判别分类器与傅里叶变换相结合来提升跟踪速度,一些基于KCF的优化算法对部分跟踪难题,如针对尺度问题的KCF算法和针对目标消失的KCF算法提出了解决方案。但当前已有算法在提高精度方面仍有一定的提升空间,针对此,在核相关滤波器的基础上,从TSK模糊逻辑系统(TSK-FLS)的角度出发推导出了一种新的模糊核相关滤波器(FKCF)。FKCF继承了前者的高速和计算量小的特性,为了提高鲁棒性,将之前简单的高斯映射换成了模糊隶属度函数,并且在核计算的过程中引入了后件参数。由于这两项改进,使得在跟踪精度方面比KCF更好。将FKCF算法与KCF等相关算法在OTB50等4个数据集中的50个随机选取的视频上进行了实验,10项常见属性上的精度均有提升。

具备视角协同学习能力的多视角TSK型模糊系统

传统模糊系统建模方法本质上是一种单视角学习模式,面向适合多视角处理的场景时,它们通常只能将每一视角割裂开来进行独立建模,这导致其所得系统泛化性能往往不令人满意。针对此缺陷,该文探讨具备多视角学习能力的模糊系统建模方法。为此,基于经典的L2型TSK模糊系统,通过引入具备多视角学习能力的协同学习项,该文提出了核心的多视角TSK型模糊系统(MV-TSK-FS)建模方法。MV-TSK-FS不仅能有效地利用各视角不同特征构成的独立样本信息,还能充分地利用各视角间由于相互关联而存在内在信息,以最终达到提高系统泛化性能的效果。在模拟数据集与真实数据集上的实验结果验证了较之于传统单视角模糊建模方法该多视角模糊系统有着更好的泛化性和适用性。

区间二型模糊子空间0阶TSK系统

人们倾向于使用少量的有代表性的特征来描述一条规则,而忽略极为次要的冗余的信息。经典的区间二型TSK(Takagi-Sugeno-Kang)模糊系统,在规则前件和后件部分会使用完整的数据特征空间,对于高维数据而言,易导致系统的复杂度增加和可解释性的损失。针对于此,提出了区间二型模糊子空间0阶TSK系统。在规则前件部分,使用模糊子空间聚类和网格划分相结合的方法生成稀疏的规整的规则中心,在规则后件部分,使用简化的0阶形式,从而得到规则语义更为简洁的区间二型模糊系统。在模拟和真实数据上的实验结果表明该方法分类效果良好,可解释性更好。

基于训练空间重构的多模块TSK模糊系统

利用重构训练样本空间的手段,提出一种多训练模块Takagi-Sugeno-Kang(TSK)模糊分类器H-TSK-FS.它具有良好的分类性能和较高的可解释性,可以解决现有层次模糊分类器中间层输出和模糊规则难以解释的难题.为了实现良好的分类性能,H-TSK-FS由多个优化零阶TSK模糊分类器组成.这些零阶TSK模糊分类器内部采用一种巧妙的训练方式.原始训练样本、上一层训练样本中的部分样本点以及所有已训练层中最逼近真实值的部分决策信息均被投影到当前层训练模块中,并构成其输入空间.通过这种训练方式,前层的训练结果对后层的训练起到引导和控制作用.这种随机选取样本点、在一定范围内随机选取训练特征的手段可以打开原始输入空间的流形结构,保证较好或相当的分类性能.另外,该研究主要针对少量样本点且训练特征数不是很大的数据集.在设计每个训练模块时采用极限学习机获取模糊规则后件参数.对于每个中间训练层,采用短规则表达知识.每条模糊规则则通过约束方式确定不固定的输入特征以及高斯隶属函数,目的是保证所选输入特征具有高可解释性.真实数据集和应用案例实验结果表明,H-TSK-FS具有良好的分类性能和高可解释性.

单调约束的TSK模糊系统模型

TSK(Takagi-Sugeno-Kang)模糊系统已被广泛应用于回归、分类和决策等方面,并展现出了良好的精度和可解释性,但是对于存在单调数据的建模场景,TSK模糊系统的建模效果还不够理想。针对此,提出了一个新颖的单调TSK模糊系统(MC-TSK)。通过在原始的TSK模糊系统模型上添加单调约束使MC-TSK满足单调性。MC-TSK不要求特征和输出之间存在的单调关系是一致的,这放宽了用于处理单调分类问题时大多数现有方法中使用的一致单调性的假设。较广泛的实验结果表明,与已有的处理单调分类的方法相比,MC-TSK具有更好的分类性能并且保持了可解释性等方面的特点。

区间二型TSK模糊逻辑系统的混合学习算法的研究

基于A1-C1型区间二型TSK模糊逻辑系统的设计算法展开研究,将模糊聚类、神经网络、模糊逻辑系统相结合设计系统,首先应用模糊K均值聚类方法筛选规则,其次将模糊逻辑系统融入神经网络中设计6层模糊神经网络系统,最后通过合并最小二乘法和BP算法来调节系统前后件参数,使系统取得更好的性能。

面向单调分类的简洁单调TSK模糊系统

Takagi-Sugeno-Kang(TSK)模糊系统的一致逼近能力和可解释性使其可以直观高效地描述复杂的非线性不确定系统,可以有效地应用于模式分类.然而,对于单调分类任务,现有的模糊分类算法并没有考虑单调数据存在的有序关系,因此这些算法对于单调分类任务在模型的复杂度和分类性能方面有待改进.针对此问题,提出了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),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.在多个单调数据集上进行了实验验证,实验结果表明: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.

任务间共享和特有结构分解的多任务TSK模糊系统建模

现有的多任务Takagi-Sugeno-Kang(TSK)模糊建模方法更注重利用任务间的相关性信息,而忽略了单个任务的特殊性。针对此问题,本文提出了一种考虑所有任务之间的共享结构和特有结构的TSK模糊系统多任务建模新方法。该方法将后件参数分解为共享参数和特有参数两个分量,既充分利用了任务间共享信息,又有效地保留了单个任务的特性。最后,本文利用增广拉格朗日乘子法(ALM)求解该最优化问题。实验结果表明,该方法比现有的模型获得了更好的表现。

可解释的深度TSK模糊系统综述

深度神经网络在多个领域取得了突破性的成功,然而这些深度模型大多高度不透明。而在很多高风险领域,如医疗、金融和交通等,对模型的安全性、无偏性和透明度有着非常高的要求。因此,在实际中如何创建可解释的人工智能(Explainable artificial intelligence,XAI)已经成为了当前的研究热点。作为探索XAI的一个有力途径,模糊人工智能因其语义可解释性受到了越来越多的关注。其中将高可解释的Takagi-Sugeno-Kang(TSK)模糊系统和深度模型相结合,不仅可以避免单个TSK模糊系统遭受规则爆炸的影响,也可以在保持可解释性的前提下取得令人满意的测试泛化性能。本文以基于栈式泛化原理的可解释的深度TSK模糊系统为研究对象,分析其代表模型,总结其实际应用场景,最后剖析其所面临的挑战与机遇。

基于熵准则的发酵过程TSK模糊建模

提出了一种基于熵准则函数的TSK模糊系统建模方法.不同于传统的基于MSE经验误差最小的准则函数,该准则函数能从训练样本的整体分布结构来进行参数学习,有效地避免了由于过学习而导致泛化能力差的缺点.将其应用于复杂的发酵过程建模,结果表明新方法具有良好的预测精度、泛化能力和鲁棒性.为解决发酵过程建模中试验数据含有噪音,导致模型预测精度下降的问题提供了一条研究思路.

基于监督学习的Takagi Sugeno Kang模糊系统图像融合方法研究

该文针对图像融合领域内难于对先验知识加以利用的问题提出一种新的有监督学习的Takagi Sugeno Kang(TSK)模糊系统图像融合方法。该方法通过引入TSK模糊系统构建标准图像融合图像库进行学习,将学习准则记录下来形成融合模型,并指导新的图像融合过程。不同于传统方法,该方法可以有效地避免模型参数择优的难题,在融合图像质量和适用范围方面表现出一定的优势。从单一类型图像融合和多种类型图像融合两个角度进行了实验研究,实验结果说明该方法的有效性。

基于进化学习的视觉模糊系统模型在水文预报中的应用

利用视觉TSK(Takagi-Sugeno-Kang)模糊推理系统研究了长期水文预报问题。针对传统TSK模糊建模方法易陷入局部最小的缺陷,引入粒子群优化算法,从而建立了基于进化学习的视觉TSK模糊系统训练算法。将改进后的模型应用于2个算例的长期水文预报仿真计算。结果表明:本文模型在继承传统视觉TSK模糊建模方法优点的同时,比原模型具有更好的鲁棒性和全局收敛能力,预测结果更准确,精度更高。

动态模糊系统的鲁棒稳定性分析与控制器设计

稳定性是任何系统正常运作的必备条件．由于动态模糊系统缺乏通用的稳定性分析方法和工具，作者介绍了一类动态模糊系统──ＴａｋａｇｉＳｕｇｅｎｏＫａｎｇ（ＴＳＫ）模糊系统，并推导出被控对象和控制器均由ＴＳＫ模糊系统描述的闭环控制系统的详尽表达式；然后针对该模糊闭环控制系统分析了其鲁棒稳定性；最后给出了鲁棒稳定模糊控制器的设计步骤．该分析和设计方法为动态模糊系统的研究提供了一条崭新的思路，将使动态模糊系统的分析和设计更趋成熟．