專利名稱：具有歷史繼承性的ml型模糊系統建模方法
技術領域：
本發明涉及模糊系統，具體是一種具有歷史繼承性的ML型模糊系統建模方法。
背景技術：
漂移數據是指具有同源性的兩個數據集，即這兩個數據集從同一產業部門生成， 但由于生產環境、生產條件以及生產工藝的改變或不同，造成了兩類數據在本質上具有一定的相似性，但又存在一定的偏差以及漂移，我們將此類數據定義為漂移數據。對于歷史繼承這一概念，不管是在生物領域，還是在計算機領域內都具有非常有用的研究價值。1)在生物領域，一般通過研究其歷史的繼承來判斷事物的發展規律，從而在不破壞這一規律的前提下，有效的進行人為改造，進而創造出更加可觀的生產價值；2)在計算機領域，研究人員一般通過歷史繼承來節約開發的周期，在已有的模型的基礎上，不斷的進行再創造，改進已有方法，進而得到更加完善的新型方法。模糊系統理論是以模糊集和模糊推理理論(FST，Fuzzy Set Theory)為基礎演變而來的。它能對處理人類生產與實踐過程中的思維、分析、推理以及決策過程建立一種與之對應的數學模型，使得自然語言直接轉譯成計算機能夠識別的機器語言。其特色是不但具有高度的可解釋性，還具有強大的學習能力。目前，模糊系統已廣泛的應用于各個領域，如智能控制、信號處理、模式識別等方面。而ML型的模糊系統由于其簡單性及易于應用等優點，使得其在模糊系統領域內受到廣泛地關注。由于在實際生產過程中，傳感器以及數據采集器的工作性能并不非常穩定，從而造成當前采集到的數據在某些時刻或者某些時間區間內存在不同程度的數據信息丟失現象。如果直接利用此類數據并采用現有的模糊系統建模方法進行模型訓練，那么所得到的最終模型必定在某些區域內存在嚴重的性能下降現象。雖然歷史場景數據對當前場景建模有一定有用性，但是由于歷史數據其本身與當前的數據又存在一定地漂移性，并且有些受到保密措施保護的數據對于一般的研究人員來講是不易獲得的。因而以上兩點原因使得直接借助歷史數據進行建模變得不太有效。即便能夠獲取歷史數據，由于數據漂移現象的存在也會降低所建模型的性能。

發明內容
本發明的目的是為了克服上述之不足，提供一種具有歷史繼承性的ML型模糊系統建模方法，使得利用這種方法不但可以有效地繼承歷史知識(由歷史數據總結出的結論)，而且還允許獲取的歷史知識與當前采集到的數據之間存在一定程度的偏移性。最終， 使得利用此種方法開發出的模糊系統更加適應于實際漸變環境下的生產控制和建模。按照本發明提供的技術方案，所述具有歷史繼承性的ML型模糊系統建模方法，包含如下步驟步驟一利用歷史場景數據基于RSDE (壓縮集密度估計器)密度估計從而得到ML 型模糊系統對應的歷史模型概率密度分布，所述歷史模型概率密度分布的函數形式表示如下
權利要求
1.具有歷史繼承性的ML型模糊系統建模方法，其特征是，包含如下步驟步驟一利用歷史場景數據基于RSDE密度估計從而得到ML型模糊系統對應的歷史模型概率密度分布，所述歷史模型概率密度分布的函數形式表示如下
2.如權利要求1所述具有歷史繼承性的ML型模糊系統建模方法，其特征是，步驟四所述對目標函數進行全局優化的步驟包括1)固定Uy，ο。不變，利用式3優化&當Uy，ο。不變時，式3對應取極值的必要條件表示為
3.如權利要求1所述具有歷史繼承性的ML型模糊系統建模方法，其特征是，式3中的目標函數包含兩部分第一個部分為歷史知識的傳承，用于使得學習得到的概率密度估計接近歷史信息對應的密度估計；第二個部分是利用當前場景數據對密度分布進行估計，用于使得估計出的密度分布逼近于真實的密度分布。
4.如權利要求3所述具有歷史繼承性的ML型模糊系統建模方法，其特征是，所述目標函數的第二部分直接繼承于RSDE密度估計的目標函數。
5.如權利要求3所述具有歷史繼承性的ML型模糊系統建模方法，其特征是，式3中的參數λ用來平衡兩部分的影響，用經典的交叉驗證策略來估計λ的最優值。
全文摘要
本發明公開了一種具有歷史繼承性的模糊系統建模方法。本發明方法主要以ML型模糊系統作為研究對象，在此基礎上通過利用RSDE(壓縮集密度估計方法)對歷史數據以及當前場景數據分別進行概率密度分布估計，進而發明了具有歷史繼承性的模糊系統，即ML型歷史繼承模糊系統。本發明方法的優勢在于所得到的模糊系統不但能夠充分利用當前場景的數據信息，而且還能夠有效地利用歷史知識來進行學習，它具有通過繼承歷史場景知識來彌補當前場景信息缺失的能力。
文檔編號G06N7/02GK102496065SQ20111036361
公開日2012年6月13日 申請日期2011年11月16日 優先權日2011年11月16日
發明者倪彤光, 劉忠寶, 應文豪, 張戰成, 王士同, 王駿, 蔣亦樟, 鄧趙紅, 錢鵬江 申請人:江南大學