[发明专利]一种具有类人学习能力的TSK模糊系统建模方法

摘要

本发明公开了一种具有类人学习能力的TSK模糊系统建模方法。本发明方法主要以TSK模糊系统作为研究对象，在此基础上通过利用传统TSK模型对历史数据训练得到的历史储备(模型参数)融入当前场景训练模型中，进而发明了具有类人学习能力的模糊系统，即TSK类人学习模糊系统。本发明方法的优势在于所得到的TSK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储备来进行迁移辅助学习，它具有通过继承历史储备来弥补当前场景信息缺失的能力。

主权项

1.具有类人学习能力的TSK模糊系统建模方法，其特征是，包含如下步骤：步骤一：利用历史储备数据通过传统TSK建模方法从中得到模型参数：Pg0=2τΣi=1N(λ0i+-λ0i-)xg0i---(1)]]>其中，τ表示TSK回归模型的容错项，分别表示通过经典数学方法拉格朗日求解方法得到的拉格朗日乘子，表示第i个历史样本点；步骤二：在当前新数据采样场景下，在传统TSK模型的基础上融入步骤一的从历史数据得到的模型参数，得到一个全新的TSK模糊系统训练模型具体形式如下：minPg,ξ+,ξ-,ϵL~(Pg,ξ+,ξ-,ϵ)=Ψcurrent(Pg,ξ+,ξ-,ϵ)+λΨhistory(Pg,Pg0)]]>s.t.yi-PgTxgi<ϵ+ξi+PgTxgi-yi<ϵ+ξi-,∀i---(2)]]>Ψcurrent=1τ·1NΣi=1N((ξi+)2+(ξi-)2)+12(PgTPg)+2τ·ϵ---(2-1)]]>Ψhistory=(Pg-Pg0)T(Pg-Pg0)---(2-2)]]>其中，以及分别表示受训模型的松弛变量项，表示从步骤一历史训练得到模型参数，P_g表示通过当前数据以及历史模型参数共同引导得到的TSK模糊系统的模型参数，y_i表示当前样本的第i个输出，x_gi表示当前样本第i个样本点，ε表示误差控制项，τ表示TSK回归模型的容错项，λ表示对历史储备的继承程度，数值越大越接近历史；步骤三：利用通过步骤二获取的模型参数P_g，利用以下输出，得到TSK模糊系统y0=pgTxg---(3)]]>以得到具有类人学习能力的TSK模糊系统；其中y⁰表示系统的输出项，表示通过步骤二得到的当前的模型参数，x_g表示当前采集到的样本点集合。