排序方式: 共有23条查询结果,搜索用时 5 毫秒
1.
2.
从数据中学习模糊系统是其智能建模的重要方法之一,针对目前模糊系统建模及优化方法对于学习后的模糊系统的规则数以及结构优化关注不足而影响了其精度和可解释性的问题,提出了一种结合模拟退火与基于支持度约简规则的模糊系统优化方法。该方法通过支持度约简系统冗余规则进而提高模糊系统的可解释性;同时利用模拟退火算法优化模糊系统的隶属度函数参数进一步提高模糊系统的精度。针对回归任务,与BP(Back Propagation)神经网络、径向基(Radial Basis Function,RBF)神经网络以及经典的模糊算法WM(Wang-Mendel)在不同领域的3个经典数据集上进行实验比较,实验结果表明:该算法在预测方面取得了更高的精度;与WM算法相比,所提算法中规则数明显减少,进一步提高了系统的可解释性。 相似文献
3.
深度神经模糊系统算法及其回归应用 总被引:1,自引:0,他引:1
深度神经网络是人工智能的热点, 可以很好处理高维大数据, 却有可解释性差的不足. 通过IF-THEN规则构建的模糊系统, 具有可解释性强的优点, 但在处理高维大数据时会遇到“维数灾难”问题. 本文提出一种基于ANFIS (Adaptive network based fuzzy inference system)的深度神经模糊系统(Deep neural fuzzy system, DNFS)及两种基于分块和分层的启发式实现算法: DNFS1和DNFS2. 通过四个面向回归应用的数据集的测试, 我们发现: 1)采用分块、分层学习的DNFS在准确度与可解释性上优于BP、RBF、GRNN等传统浅层神经网络算法, 也优于LSTM和DBN等深度神经网络算法; 2)在低维问题中, DNFS1具有一定优势; 3)在面对高维问题时, DNFS2表现更为突出. 本文的研究结果表明DNFS是一种新型深度学习方法, 不仅可解释性好, 而且能有效解决处理高维数据时模糊规则数目爆炸的问题, 具有很好的发展前景. 相似文献
5.
6.
随着高铁列车运营速度的不断提高,列车运行控制系统对列车的定位精度要求也越来越高。每经过一个定位应答器,列车将进行一次位置校核,使定位误差变为0 m。但列车在相邻两应答器间的定位误差会随着列车不断的运行而逐渐增大。针对这一问题,建立了列车位置计算的数学模型,以及高速铁路列车位置估计的速度平均法模型和最小二乘法模型;利用武汉-广州高铁实测数据对模型进行验证。结果表明,与速度平均法模型相比,最小二乘法模型能减少一半的定位误差,能更好地估计列车的位置。 相似文献
9.
10.