基于训练空间重构的多模块TSK模糊系统-周塔，邓赵红，蒋亦樟，王士同.pdf
免费下载
软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
Journal of Software,2020,31(11):3506−3518 [doi: 10.13 328/j.cnki.jos.005846] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563
基于训练空间重构的多模块 TSK 模糊系统
∗
周
塔
1,2
,
邓赵红
1
,
蒋亦樟
1
,
王士同
1
1
(江南大学 数字媒体学院,江苏 无锡 214122)
2
(江苏科技大学 电气与信息工程学院,江苏 张家港 215600)
通讯作者: 周塔, E-mail: jkdzhout@just.edu.cn
摘 要: 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.
关键词: TSK 模糊系统;多模块训练;解释能力;极限学习机
中图法分类号: TP181
中文引用格式: 周塔,邓赵红,蒋亦樟,王士同.基于训练空间重构的多模块 TSK 模糊系统.软件学报,2020,31(11):3506−3518.
http://www.jos.org.cn/1000-9825/5846.htm
英文引用格式: Zhou T, Deng ZH, Jiang YZ, Wang ST. Multi-module TSK fuzzy system based on train ing space reconstruction.
Ruan Jian Xue Bao/Journal of Soft ware, 2020,31(11):3506−3518 (in Chinese). http://www.jos.org.cn/1000-9825/5846 .htm
Multi-module TSK Fu zzy Sy stem Ba sed o n Trainin g Space Re co nstr uctio n
ZHOU Ta
1,2
, DENG Zhao-Hong
1
, JIANG Yi-Zhang
1
, WANG Shi-Tong
1
1
(School of Digital Media, Jiangnan University, Wuxi 214122, Chin a)
2
(School of Electrical and Information Engineering, Jiangsu University of Science and Technology, Zhangjiagang 215600, China)
Abstra ct : A multi-training module Takagi-Sugeno-Kang (TSK) fuzzy classifier, H-TSK-FS, is proposed by means of reconstruction of
training sample space. H-TSK-FS has good classification performance and high interpretability, which can solve th e problems of existing
hierarchical fuzzy classifiers such as the output and fuzzy rules of intermediate layer that are difficult to explain. In order to achieve
enhanced classification performance, H-TSK-FS is composed of several optimized zero-order TSK fuzzy classifiers. These zero-order
TSK fuzzy classifiers adopt an ing en ious training method. The original training s ample, part of the sample of the previous layer and part
of the decision information that most approximates the real value in all the training layers are projected into the training module of the
current layer and constitute its input space. In this way, the training resu lts of th e previous layers pl ay a guiding and controlling role in th e
training of the current layer. This method of randomly selecting sample points and tr aining features within a certain range can open up th e
∗ 基金项目: 国家自然科学基金(61772239, 61702225, 61 572236); 江苏省自然科学基金(BK20181339)
Foundation item: National Natural Science Foundation of China (61772239, 61702225, 61572236); Natural Science Foundation of
Jiangsu Province (BK20181339)
收稿时间: 2018-04-12;修改时间: 20 18-12-04;采用时间: 2019-03-28
周塔 等:基于训练空间重构的多模块 TSK 模糊系统
3507
manifold structure of the origin al input space and ensure better or equivalen t classification perfor mance. In addition, this study fo cuses on
data sets with a small number of sample points and a small number of training features. In the design of each training unit, extreme
learning machine is used to obtain the Then-part parameters of fuzzy rules. For each intermediate training layer, short rules are used to
express knowledge. Each fuzzy rule determines the vari able input features and Gaussian membership function by means of constraints, in
order to ensure that the selected input features are highly interpretable. Experimental results of real datasets and application cases show
that H- TS K-FS enh an ces cl ass if ic ation per for man ce and h igh inte rpr et abil it y.
Key words: TSK fuzzy system; multi-module training; interpret ability; extreme learning machine
由于 Ta kagi- Sugeno-Kan g(TSK) 模糊分类器
[1,2]
具有较高的分类性能和高可解释性,已经引起了很多研究者
的兴趣,因而在日常生活中也取得了广泛的应用,包括财务预测中的数据驱动预测技术、RTP 系统多变量控制、
图像处理和 EEG 脑电信号分类
[3−5]
.目前,典型的工作包括很多的进化算法用来构造 TSK 模糊分类器,比如,基于
梯度下降优化技术的神经模糊方法
[6]
、深度模糊神经网络
[7,8]
.在日常生活中,较高的分类精度和强的可解释性
往往是人们首要关注的.
为此,在本研究中,我们试图解决以下问题:(1) 不恰当的模糊划分导致模糊系统可解释性问题;(2) 模糊分
类器如何选择训练样本点和训练特征;(3) IF-THEN 模糊规则的复杂性;(4) 简化模糊推理过程和反模糊过程.
在大多数 TSK 模糊分类器中,人们通过使用各种聚类方法来确定模糊划分,典型的工作如 k-means
[9]
、FCM
及其改进算法
[10]
等.然而,模糊规则的设定也成为人们急需解决的问题之一.虽然,有专家认为模糊规则的长度
与分类任务中的特征数相同.也有专家提出可随机确定高斯隶属函数的中心、模糊规则数.当然,通过类似基于
聚类的方法生成的模糊规则通常不具有可解释性.
此外,人们通常采用模糊网格的方法来划分输入空间并生成模糊规则.显然,这种划分输入空间的方法快
捷、易操作.但是,当面临高维训练样本时,该方法自然会需要生成更多的模糊规则.这在一定程度上会削弱模糊
系统的可解释性,自然会引起规则爆炸问题
[11]
.鉴于此,有学者
[12,13]
提出了通过特征降维的手段处理特征过多而
削弱模糊系统性能的技术.常见的分成模糊系统大致上可以分为增量式、聚集式和级联式,如图 1 所示.
1
F
S
2
F
S
k
F
S
1
x
2
x
k
x
2
y
k
y
1
y
1
x
2
x
k
x
1
FS
2
F
S
k
F
S
1
y
2
y
k
y
1k
FS
+
1k
y
+
1
x
1
F
S
2
x
2
FS
3
x
3
FS
4
x
4
FS
1k
FS
+
2k
FS
+
1
2
k
F
S
+
3k
x
−
2k
x
−
1k
x
−
k
x
1
y
2
y
3
y
4
y
3k
F
S
−
2k
FS
−
1k
F
S
−
k
FS
3k
y
−
2k
y
−
1k
y
−
k
y
1k
y
+
2k
y
+
1
2
k
y
−
1
2
k
FS
−
2
k
F
S
2
k
y
1S
FS
−
S
FS
1
2
k
y
+
1S
y
−
S
y
(a) 增量 (b) 聚合 (c) 级联
Fig.1 Structure of hierarchical TSK fuzzy classifier
图 1 层次 TSK 模糊分类器的结构
然而对于现有的分层 TSK 模糊分类器,主要面临这样的难题:(1) 增加训练层数的同时,无形当中会增加更
多的模糊规则,那么如何提高模糊系统的可解释性;(2) 对于构造一个深度学习模型而言,必然会生成很多中间
变量,那么如何生成短模糊规则保证系统的可解释性;(3) 已有的决策信息如何对后续训练起到约束作用;层与
层之间的样本信息如何传递;如何训练部分样本点和部分特征保证较好的或相当的分类性能.
为了解决上述提出的困难,本研究考虑设计一个分层的 TSK 模糊分类器,既可以提高分类精度,也可对中间
层输出和模糊规则进行合理的解释.这里,我们命名的分层模糊 TSK 分类器中,每个 TSK 模糊分类器所有中间
输出和模糊规则具有可解释性.这样的模糊结构主要借助于以下几点思考.
of 14
免费下载
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文档的来源（墨天轮），文档链接，文档作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
下载排行榜
评论