Статья
Название статьи Усовершенствованный метод нечеткой идентификации на основе трансформации данных Бокса-Кокса
Авторы Фу Цай Лю .. , shuenwang1968@263.net
Шу Энь Ван .. , shuenwang1968@263.net
Цзинь Мэй Доу .. , shuenwang1968@263.net
Библиографическое описание статьи
Рубрика Научные исследования
УДК 519
DOI
Тип статьи
Аннотация Практическая проблема идентификации нечетких систем состоит в проектировании и настройке функций принадлежности. В отличие от традиционных подходов, которые используют оригинальные модели данных для построения нечеткой модели, подход, ис- пользующий технологию преобразования данных и эвристический метод, предлагается для упрощения процедуры моделирования. Для передаваемых данных, в первую оче- редь, начальное значение нечетких ¾если-то¿ правил с нефазивными синглтонами в по- следующих частях создается с помощью эвристического метода. Затем, осуществляется настройка с помощью алгоритма изучения градиентного снижения. Предлагаемый метод имеет большую точность аппроксимации и лучшую обобщаемость.Метод продемонстри- рован на проблеме DISO, используя преобразования Бокса-Кокса.
Ключевые слова идентификация нечетких систем, обработка данных, эвристический метод, метод градиентного снижения, преобразование Бокса-Кокса.
Информация о статье
Список литературы 1. Liu Sifeng, Dang Yaoguo, Fang Zhigeng. Grey system theory and its applications[ M]. Beijing: Science Press, 2004 (in Chinese). 2. Qian Wuyong, Dang Yaoguo. New type of data transformation and its application in GM (1,1) model [J]. Systems Engineering and Electronics,2009,31(12). P. 2879–2908 (in Chinese). 3. Shen Wei, Hu Hongbo, Yuan Yanhong, Data transform control of electronic jacquard [J]. Journal of Textile Research,2010,31(6). P. 125–128 (in Chinese). 4. Xu Xuesong, Zhang Xu, Song Dongming, Zhang Hong, Liu Fengyu. Outliers detection algorithm based on nonlinear data transformation [J]. Engineering Science,2008,10(9). P. 74– 78 (in Chinese). 5. BOYD R K. A comparison of the usefulness of canonical analysis, principal components analysis and band selection for extraction of features from TMs data for land cover analysis. Proceedings of the Seventeenth International Symposium on Remote Sensing of Environment [C], 1983. С. 1333–1342. 6. ZENG Z Y. A new method of data transformation for satellite images: I. Methodology and transformation equations for TM images [J]. Remote Sensing, 2007, 28(18). P. 4095–4124. 7. Zhang Chengwen, Ma Yi, Guo Liping. Research and Evaluation of Coastal Zone Multi-spectral Image Classification Based on LBV Transformation [J]. Geography and Geo- information Science,2010,26(4). P. 53–56 (in Chinese). 8. Takagi T., M. Sugeno. Fuzzy Identification of System and Its Application on Modeling and Control [C]. IEEE Trans. on Systems, Man and Cybernetics, 1985, 15(1). P. 116–132. 9. Huang Y. P., Chen Y. R.. Preprocessing Data Patterns to Simplify the Identification of Fuzzy Models. International [J] Journal of Systems Science, 1999, 30(5). P. 479–489. 10. Huang Y. P., Chen Y. R., Chu H C. Identification a fuzzy model by using the bipartite membership functions [J]. Fussy Sets and Systems, 2001, 118(2). P. 199–214. 11. Shmilovici A., Martin J. A.. Improving Fuzzy Systems Identification with Date Transformations [J]. International Journal of Approximate Reasoning, 1999, (22) P. 93–107. 12. Ishibuchi H., Nozaki K., Tanaka H. Empirical Study on Learning in Fuzzy Systems by Rice Taste Analysis [J]. Fuzzy Sets and Systems, 1994, 64(2). P. 129–144. 13. Chen M. SWang., S. W.. Fuzzy Clustering for Optimizing Fuzzy Membership Functions [J]. Fuzzy Sets and System, 1999, 103(2). P. 239–254.
Полный текст статьиУсовершенствованный метод нечеткой идентификации на основе трансформации данных Бокса-Кокса