【模糊逻辑】Type-1 Fuzzy Systems的设计方法和应用-1

4.1 时间序列预测

设置现在有一个时间序列 s ( k ) s(k) s(k),对于观测者可以获得对应的观测值 x ( k ) x(k) x(k)
x ( k ) = s ( k ) + n ( k ) + I n ( k ) + J ( k ) x(k)=s(k)+n(k)+In(k)+J(k) x(k)=s(k)+n(k)+In(k)+J(k)
其中 n ( k ) n(k) n(k)为测量误差/噪声, I n ( k ) In(k) In(k)为自然干扰, J ( k ) J(k) J(k)为人为干扰。

现在我们已经构造好了一个观察的时间序列了。现在我们的目标是去时间序列预测,而我们可以利用是数据是历史滑动窗内的数据,这个滑动窗的大小为p。利用前p个观测值,来预测当前 s ( k ) s(k) s(k)

现在我们拥有N个时间序列的数据 x ( 1 ) , x ( 2 ) , . . . , x ( N ) x(1),x(2),...,x(N) x(1),x(2),...,x(N)
设置前D个点 x ( 1 ) , x ( 2 ) , . . . , x ( D ) x(1),x(2),...,x(D) x(1),x(2),...,x(D)用于训练,即训练集,其中D往往为N的75%~80%;
由此我们的测试集 x ( D + 1 ) , x ( D + 2 ) , . . . , x ( N ) x(D+1),x(D+2),...,x(N) x(D+1),x(D+2),...,x(N)

构造D-p个训练组
X ( 1 ) = [ x ( 1 ) , . . . , x ( p ) , x ( p + 1 ) ] T , . . . , X ( D − p ) = [ x ( D − p ) , . . . , x ( D − 1 ) , x ( D ) ] T , X^{(1)}=[x(1),...,x(p),x(p+1)]^T, ..., X^{(D-p)}=[x(D-p),...,x(D-1),x(D)]^T, X(1)=[x(1),...,x(p),x(p+1)]T,...,X(Dp)=[x(Dp),...,x(D1),x(D)]T,
其中每组的前p个数据作为训练FLS的输入,第p+1的数据作为FLS期望的输出。

同理有N-p-D个检测组
X ( D + 1 ) = [ x ( D + 1 ) , . . . , x ( D + p ) , x ( D + p + 1 ) ] T , . . . , X ( N − p ) = [ x ( N − p ) , . . . , x ( N − 1 ) , x ( N ) ] T , X^{(D+1)}=[x(D+1),...,x(D+p),x(D+p+1)]^T, ..., X^{(N-p)}=[x(N-p),...,x(N-1),x(N)]^T, X(D+1)=[x(D+1),...,x(D+p),x(D+p+1)]T,...,X(Np)=[x(Np),...,x(N1),x(N)]T,

值得注意的是,这里的每个训练组都可以为FLS预测器训练对应的规则,而测试集则用于测试各被提取的规则的精度性能。

4.2 提取规则的方法

4.2.1 One-pass method(一次性方法)

4.2.1.1数据赋值法

该方法是利用数据来构造出在规则的前因(antecedent)和后因(consequent)中的模糊集的中心
在这里插入图片描述

例子1

如果现在 F i l F_i^l Fil是一个为Gaussian MF的模糊集
μ F i l ( x i ) = exp ⁡ { − ( x i − m F i l ) 2 2 σ F i l 2 } , i = 1 , 2 , . . . , p \mu_{F_i^l}(x_i)=\exp \{-\frac{(x_i-m_{F_i^l})^2}{2\sigma_{F_i^l}^2}\},i=1,2,...,p μFil(xi)=exp{2σFil2(ximFil)2},i=1,2,...,p
对于一个规则来说,前因参数数目为2p,后因参数数目为1,
现在我们有D-p个测试组,即有D-p个规则,那么总共涉及到了 ( 2 p + 1 ) ( D − p ) (2p+1)(D-p) (2p+1)(Dp)个参数。

针对以上的例子,问题的关键是,我们应该如何去选择大量的MF和初始化大量的参数

4.2.1.1 WM方法

在这里插入图片描述该方法主要是通过预指定好前因和后因的数据,然后将将这些数据关联起来
以上图为例,

  • 首先,设计好关于 x ( l ) x^{(l)} x(l)的自由度 μ x ( x ) \mu_x(x) μx(x)
  • 然后将时间序列映射到其中最大的自由度对应的值;
  • 由此得到一个具有输入输出关系的规则了

以上图为例, x 1 → B 1 , x 2 → S 2 , x 3 → B 3 , x 4 → C E , . . . x_1\rightarrow B_1,x_2\rightarrow S_2,x_3\rightarrow B_3,x_4\rightarrow CE,... x1B1,x2S2,x3B3,x4CE,...

但是以上的WM方法也存在一个问题就是,对于大量的数据,可能产生相互矛盾的规则。
对于这样的现象,我们往往选择从中选择一个最大值的情况。

以上介绍了数据赋值方法和WM方法都属于One-pass方法,特点都是比较简单,可实现;但需要大量的参数和规则提前设定

接下来,我们的目标是构造一个FLS框架,利用数据来最优化参数并减少规则。

4.2.2 最小二乘法

在这里插入图片描述在这里插入图片描述

在这里插入图片描述

4.2.3 基于导数的方法

两种最流行和广泛使用的基于导数的优化算法是 steepest 下降和 Marquardt-Levenberg。使用它们时,不会提前固定任何前因或后因参数。这两种算法都需要关于每个 MF 参数的数学目标函数的一阶导数。在本节中,重点介绍单例 Mamdani 模糊系统和乘积 t 范数的最陡峭下降算法
在这里插入图片描述
最速下降优化算法仅对每个 e ( t ) e^{(t)} e(t)更新一次参数 θ \theta θ在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 如果 MF 在其域上更改其数学公式(例如,三角形和梯形 MF 的情况),则导数公式也会更改,并且必须包括耗时的域测试。
  • 他们倾向于只找到目标函数的局部极值而不是全局极值,也就是说,他们倾向于被困在局部极值。当然,有一些方法可以避免被困住,但是当使用衍生品时,有被困的倾向。
  • 如何选择FBF的数量,M,是一个悬而未决的问题。下一个方法可用于解决此缺点。

4.2.4 SVD-QR方法

对于模糊系统来说,规则分解可能是一个问题,而奇异值分解 (SVD) 是规则约简的一种方法。矩阵的 SVD 是数值线性代数中非常强大的工具。它的重要用途包括确定矩阵的秩和线性最小二乘问题的数值解。它可以应用于正方形或矩形矩阵,其元素要么是实数,要么是复数
在这里插入图片描述在这里插入图片描述在这里插入图片描述

4.2.6 迭代法

在这里插入图片描述

  • 11
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值