专利名称：具有历史继承性的ml型模糊系统建模方法
技术领域：
本发明涉及模糊系统，具体是一种具有历史继承性的ML型模糊系统建模方法。
背景技术：
漂移数据是指具有同源性的两个数据集，即这两个数据集从同一产业部门生成， 但由于生产环境、生产条件以及生产工艺的改变或不同，造成了两类数据在本质上具有一定的相似性，但又存在一定的偏差以及漂移，我们将此类数据定义为漂移数据。对于历史继承这一概念，不管是在生物领域，还是在计算机领域内都具有非常有用的研究价值。1)在生物领域，一般通过研究其历史的继承来判断事物的发展规律，从而在不破坏这一规律的前提下，有效的进行人为改造，进而创造出更加可观的生产价值；2)在计算机领域，研究人员一般通过历史继承来节约开发的周期，在已有的模型的基础上，不断的进行再创造，改进已有方法，进而得到更加完善的新型方法。模糊系统理论是以模糊集和模糊推理理论(FST，Fuzzy Set Theory)为基础演变而来的。它能对处理人类生产与实践过程中的思维、分析、推理以及决策过程建立一种与之对应的数学模型，使得自然语言直接转译成计算机能够识别的机器语言。其特色是不但具有高度的可解释性，还具有强大的学习能力。目前，模糊系统已广泛的应用于各个领域，如智能控制、信号处理、模式识别等方面。而ML型的模糊系统由于其简单性及易于应用等优点，使得其在模糊系统领域内受到广泛地关注。由于在实际生产过程中，传感器以及数据采集器的工作性能并不非常稳定，从而造成当前采集到的数据在某些时刻或者某些时间区间内存在不同程度的数据信息丢失现象。如果直接利用此类数据并采用现有的模糊系统建模方法进行模型训练，那么所得到的最终模型必定在某些区域内存在严重的性能下降现象。虽然历史场景数据对当前场景建模有一定有用性，但是由于历史数据其本身与当前的数据又存在一定地漂移性，并且有些受到保密措施保护的数据对于一般的研究人员来讲是不易获得的。因而以上两点原因使得直接借助历史数据进行建模变得不太有效。即便能够获取历史数据，由于数据漂移现象的存在也会降低所建模型的性能。
发明内容
本发明的目的是为了克服上述之不足，提供一种具有历史继承性的ML型模糊系统建模方法，使得利用这种方法不但可以有效地继承历史知识(由历史数据总结出的结论)，而且还允许获取的历史知识与当前采集到的数据之间存在一定程度的偏移性。最终， 使得利用此种方法开发出的模糊系统更加适应于实际渐变环境下的生产控制和建模。按照本发明提供的技术方案，所述具有历史继承性的ML型模糊系统建模方法，包含如下步骤步骤一利用历史场景数据基于RSDE (压缩集密度估计器)密度估计从而得到ML 型模糊系统对应的历史模型概率密度分布，所述历史模型概率密度分布的函数形式表示如下
权利要求
1.具有历史继承性的ML型模糊系统建模方法，其特征是，包含如下步骤步骤一利用历史场景数据基于RSDE密度估计从而得到ML型模糊系统对应的历史模型概率密度分布，所述历史模型概率密度分布的函数形式表示如下
2.如权利要求1所述具有历史继承性的ML型模糊系统建模方法，其特征是，步骤四所述对目标函数进行全局优化的步骤包括1)固定Uy，ο。不变，利用式3优化&当Uy，ο。不变时，式3对应取极值的必要条件表示为
3.如权利要求1所述具有历史继承性的ML型模糊系统建模方法，其特征是，式3中的目标函数包含两部分第一个部分为历史知识的传承，用于使得学习得到的概率密度估计接近历史信息对应的密度估计；第二个部分是利用当前场景数据对密度分布进行估计，用于使得估计出的密度分布逼近于真实的密度分布。
4.如权利要求3所述具有历史继承性的ML型模糊系统建模方法，其特征是，所述目标函数的第二部分直接继承于RSDE密度估计的目标函数。
5.如权利要求3所述具有历史继承性的ML型模糊系统建模方法，其特征是，式3中的参数λ用来平衡两部分的影响，用经典的交叉验证策略来估计λ的最优值。
全文摘要
本发明公开了一种具有历史继承性的模糊系统建模方法。本发明方法主要以ML型模糊系统作为研究对象，在此基础上通过利用RSDE(压缩集密度估计方法)对历史数据以及当前场景数据分别进行概率密度分布估计，进而发明了具有历史继承性的模糊系统，即ML型历史继承模糊系统。本发明方法的优势在于所得到的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知识来进行学习，它具有通过继承历史场景知识来弥补当前场景信息缺失的能力。
文档编号G06N7/02GK102496065SQ20111036361
公开日2012年6月13日 申请日期2011年11月16日 优先权日2011年11月16日
发明者倪彤光, 刘忠宝, 应文豪, 张战成, 王士同, 王骏, 蒋亦樟, 邓赵红, 钱鹏江 申请人:江南大学